Nella maggior parte dei flussi di lavoro aziendali, i documenti PDF scansionati devono essere trasformati in testo ricercabile o modificabile. Il tutorial Estrai testo da PDF scansionati con Aspose.PDF OCR in C# dimostra come sfruttare il motore OCR integrato in Aspose.PDF for .NET per estrarre testo semplice dalle pagine basate su immagini. Seguendo questa guida otterrai una soluzione pronta all’uso che funziona con qualsiasi PDF scansionato, indipendentemente dalle sue dimensioni o dalla lingua.

Estrai testo da PDF scansionati usando Aspose.PDF OCR SDK

I PDF scansionati contengono solo immagini, quindi le API tipiche di estrazione del testo non restituiscono nulla. OCR (Riconoscimento Ottico dei Caratteri) converte quelle immagini in caratteri leggibili dalla macchina, consentendo l’indicizzazione, l’analisi dei dati e l’elaborazione a valle. Automatizzare l’OCR in C# elimina i passaggi manuali di copia‑incolla, migliora l’accuratezza e si scala su grandi lotti di documenti.

Aspose.PDF fornisce lo spazio dei nomi Aspose.Pdf.Ocr, che include OcrTextRecognitionOptions, OcrTextAbsorber e gli enum delle lingue. La libreria è distribuita tramite NuGet. Installala con il seguente comando:

Install-Package Aspose.PDF

Per ulteriori informazioni, visita la pagina del prodotto Aspose.PDF.

Estrai testo da PDF scansionati con Aspose.PDF OCR in C#

  1. Carica il PDF scansionato in un Aspose.Pdf.Document.
  2. Configura le opzioni OCR (lingua, risoluzione, separatore di pagina).
  3. Applica un OcrTextAbsorber alla raccolta di pagine del documento.
  4. Recupera il testo riconosciuto e salvalo.

L’esempio dimostra come caricare un PDF scansionato, configurare l’OCR, estrarre il testo e scrivere il risultato in un file utilizzando C#.

// For complete examples and data files, visit https://github.com/aspose-pdf/Aspose.PDF-for-.NET
private static void RecognizeTextWithOcr()
{
    // The path to the documents directory
    var dataDir = RunExamples.GetDataDir_AsposePdf();

// Open PDF document
    using (var document = new Aspose.Pdf.Document(dataDir + "input.pdf"))
    {
        // Configure OCR recognition options
        var options = new Aspose.Pdf.Ocr.OcrTextRecognitionOptions
        {
            Language = Aspose.Pdf.Ocr.OcrLanguage.English,
            Resolution = 300,
            PageSeparator = "\n\n"
        };

// Recognize text from all pages
        var absorber = new Aspose.Pdf.Ocr.OcrTextAbsorber(options);
        document.Pages.Accept(absorber);

// Save recognized text
        System.IO.File.WriteAllText(dataDir + "recognized-text.txt", absorber.Text);
    }
}

Aspose.PDF Funzionalità che contano per questo compito

  • Motore OCR integrato – Nessuna dipendenza esterna; il motore OCR si trova nello spazio dei nomi Aspose.Pdf.Ocr.
  • Selezione della lingua – OcrLanguage enum consente di specificare il dizionario per un riconoscimento migliore.
  • Controllo della risoluzione – Un DPI più alto migliora la fedeltà dei caratteri, soprattutto per scansioni deboli.
  • PageSeparator – Stringa personalizzabile per separare le pagine nel testo di output.
  • Thread‑safe page collection – Consente l’elaborazione parallela di PDF di grandi dimensioni.

Queste funzionalità consentono una soluzione robusta, a libreria singola, per l’estrazione del testo da qualsiasi PDF scansionato.

Installazione e configurazione in C#

  1. Apri la tua soluzione .NET in Visual Studio.
  2. Apri la Console di Gestione Pacchetti e esegui Install-Package Aspose.PDF.
  3. Aggiungi using Aspose.Pdf; e using Aspose.Pdf.Ocr; all’inizio del tuo file di classe.
  4. Assicurati di avere una licenza temporanea o completa; senza di essa, l’output potrebbe contenere una filigrana.

Per i dettagli sulla licenza, vedere la pagina della licenza temporanea.

Implementazione passo‑passo in C#

A cosa risponde questa sezione? Quali sono i passaggi di codice esatti per estrarre il testo?

  1. Inizializza il documento
    var pdfPath = "path/to/scanned.pdf";
var document = new Document(pdfPath);
  2. Crea le opzioni OCR
    var ocrOptions = new OcrTextRecognitionOptions
{
    Language = OcrLanguage.English,
    Resolution = 300,
    PageSeparator = "\n--- Page Break ---\n"
};
  3. Esegui l’assorbitore
    var absorber = new OcrTextAbsorber(ocrOptions);
document.Pages.Accept(absorber);
  4. Accedi al testo estratto
    string extractedText = absorber.Text;
  5. Salva o elabora il testo
    System.IO.File.WriteAllText("output.txt", extractedText);

Il codice segue lo stesso flusso dell’esempio completo sopra, ma suddivide la logica in passaggi digeribili.

Ottieni una licenza gratuita

Valuta Aspose.PDF senza costi richiedendo una licenza temporanea qui: https://purchase.aspose.com/temporary-license/

Risorse aggiuntive gratuite

Conclusione

Questa guida ti ha accompagnato nell’estrazione del testo da PDF scansionati utilizzando Aspose.PDF OCR in C#. Hai imparato come installare la libreria, configurare le opzioni OCR per la precisione, implementare una pipeline di estrazione pulita e applicare ottimizzazioni delle prestazioni per documenti di grandi dimensioni. Con queste tecniche, qualsiasi sviluppatore .NET può trasformare PDF solo immagine in flussi di testo ricercabili e modificabili.

Domande frequenti

  1. Come estrarre testo da un PDF scansionato in C# usando Aspose.PDF?
    Crea un Document, configura OcrTextRecognitionOptions, esegui un OcrTextAbsorber sulle pagine e leggi la proprietà Text.

  2. Quali lingue OCR sono supportate da Aspose.PDF?
    La libreria supporta molte lingue tramite l’enumerazione OcrLanguage, tra cui Inglese, Francese, Tedesco, Spagnolo, Cinese e altre.

  3. Come posso migliorare la precisione OCR per scansioni a bassa risoluzione?
    Aumenta la Resolution (ad es., 300 DPI), seleziona la lingua corretta e considera la pre‑elaborazione delle immagini per aumentare il contrasto.

  4. È sicuro elaborare PDF di grandi dimensioni in parallelo?
    Sì, suddividendo il documento in intervalli di pagine ed elaborando ciascun intervallo su un thread separato, monitorando l’uso della memoria.

  5. Quale licenza è necessaria per le funzionalità OCR?
    OCR è completamente disponibile con una licenza valida di Aspose.PDF for .NET; è possibile ottenere una licenza temporanea per la valutazione.

  6. Dove posso trovare ulteriore documentazione sulle impostazioni OCR?
    Una guida dettagliata alla configurazione OCR è disponibile nella documentazione delle impostazioni OCR di Aspose.PDF all’indirizzo https://docs.aspose.com/pdf/net/.

Read More