C# での OCR PDF と PDF からのテキストの抽出

PDF ファイルは、最も一般的なビジネス ドキュメントの 1 つです。場合によっては、スキャンした PDF ドキュメントをプログラムで読み取る必要があります。スキャンした PDF ファイルからテキストを抽出することは困難であるため、そのような PDF ドキュメントからテキストを読み、取得することを容易にするツールが開発されました。ドキュメントの内容によっては、PDF ファイルからのテキストの抽出がさまざまな理由で役立ちます。この記事では、C# で PDF ドキュメントを OCR し、PDF からテキストを抽出する方法を学習します。

この記事では、次のトピックについて説明します。

  1. OCR PDF to Text C# API
  2. PDF の OCR と PDF からのテキストの抽出
  3. PDF で OCR を実行し、テキストを保存
  4. OCR PDF から Word ファイルへ
  5. OCR PDF から JSON

OCR PDF からテキストへの C# API

Aspose.OCR for .NET API を使用して、PDF ドキュメントで OCR を実行します。スキャンした画像、スマートフォンの写真、スクリーンショット、および画像の領域を認識できます。 API は、認識されたテキスト結果を最も一般的なドキュメントおよびデータ交換形式で返します。画像をテキストに変換するだけでなく、API はスキャンに基づいて検索可能な PDF を作成することもできます。さらに、認識されたテキストのスペルミスを自動修正できます。

API は、OCR 操作を実行するためのさまざまなメソッドを提供する AsposeOcr クラスを提供します。提供された PDF ドキュメントからテキストを認識するための RecognizePdf(string, DocumentRecognitionSettings) メソッドを提供します。 API の DocumentRecognitionSettings クラスは、PDF 認識プロセスの設定を提供します。 RecognitionResult クラスは、画像認識の結果を表します。

APIのDLLをダウンロードするか、NuGetを使ってインストールしてください。

PM> Install-Package Aspose.OCR

C# での OCR PDF と PDF からのテキストの抽出

以下の手順に従って、PDF ドキュメントで OCR を実行し、認識されたテキストを抽出できます。

  1. まず、AsposeOcr クラスのインスタンスを作成します。
  2. 次に、DocumentRecognitionSettings クラスのオブジェクトを初期化します。
  3. 次に、OCR に使用する言語を指定します。
  4. その後、RecognizePdf() メソッドを呼び出して RecognitionResult を取得します。画像パスと DocumentRecognitionSettings オブジェクトを引数として取ります。
  5. 最後に、RecognitionResult リストをループして、識別されたテキストを表示します。

次のサンプル コードは、C# で PDF ドキュメントを OCR し、認識されたテキストを抽出する方法を示しています。

// このコード例は、PDF ドキュメントを OCR し、認識されたテキストを抽出する方法を示しています。
// PCR エンジンの初期化
AsposeOcr recognitionEngine = new AsposeOcr();

// 認識設定の初期化
DocumentRecognitionSettings recognitionSettings = new DocumentRecognitionSettings();

// OCR の言語を指定します。デフォルトで多言語
recognitionSettings.Language = Language.Eng;

// PDF からテキストを認識する
List<RecognitionResult> results = recognitionEngine.RecognizePdf("C:\\Files\\sample.pdf", recognitionSettings);

// 認識されたテキストを表示
foreach (RecognitionResult result in results)
{
    Console.WriteLine(result.RecognitionText);
}
C# での OCR PDF と PDF からのテキストの抽出

C# での OCR PDF と PDF からのテキストの抽出

PDF で OCR を実行し、C# でテキストを保存する

以下の手順に従って、PDF ドキュメントで OCR を実行し、認識されたテキストを保存できます。

  1. まず、AsposeOcr クラスのインスタンスを作成します。
  2. 次に、DocumentRecognitionSettings クラスのオブジェクトを初期化します。
  3. 次に、OCR に使用する言語を指定します。
  4. その後、RecognizePdf() メソッドを呼び出して RecognitionResult を取得します。画像パスと DocumentRecognitionSettings オブジェクトを引数として取ります。
  5. 最後に、SaveMultipageDocument() メソッドを使用してテキストを保存します。出力ファイル パス、SaveFormat および RecognitionResult オブジェクトを引数として取ります。

次のサンプル コードは、PDF ドキュメントを OCR し、認識されたテキストを C# に保存する方法を示しています。

// このコード例は、PDF ドキュメントを OCR し、認識されたテキストを抽出する方法を示しています。
// PCR エンジンの初期化
AsposeOcr recognitionEngine = new AsposeOcr();

// 認識設定の初期化
DocumentRecognitionSettings recognitionSettings = new DocumentRecognitionSettings();

// OCR の言語を指定します。デフォルトで多言語
recognitionSettings.Language = Language.Eng;

// PDF からテキストを認識する
List<RecognitionResult> results = recognitionEngine.RecognizePdf("C:\\Files\\sample.pdf", recognitionSettings);

// 認識したテキストを保存する
AsposeOcr.SaveMultipageDocument("C:\\Files\\OCR_result.txt", SaveFormat.Text, results);
PDF で OCR を実行し、C# でテキストを保存する

PDF で OCR を実行し、C# でテキストを保存する

C# で OCR PDF とスキャンした PDF を Word に変換

前述の手順に従って、スキャンした PDF ドキュメントで OCR を実行し、認識されたテキストを Word ドキュメントに保存できます。ただし、最後のステップで SaveFormat.Docx を指定する必要があるだけです。

次のサンプル コードは、OCR PDF を実行し、認識されたテキストを C# の Word ドキュメントとして保存する方法を示しています。

// このコード例は、PDF ドキュメントを OCR し、認識されたテキストを DOCX として保存する方法を示しています。
// PCR エンジンの初期化
AsposeOcr recognitionEngine = new AsposeOcr();

// 認識設定の初期化
DocumentRecognitionSettings recognitionSettings = new DocumentRecognitionSettings();

// OCR の言語を指定します。デフォルトで多言語
recognitionSettings.Language = Language.Eng;

// PDF からテキストを認識する
List<RecognitionResult> results = recognitionEngine.RecognizePdf("C:\\Files\\sample.pdf", recognitionSettings);

// 認識されたテキストを DOCX として保存します
AsposeOcr.SaveMultipageDocument("C:\\Files\\OCR_result.docx", SaveFormat.Docx, results);
C# で OCR PDF とスキャンした PDF を Word に変換

C# で OCR PDF とスキャンした PDF を Word に変換

OCR PDF と C# での PDF から JSON への変換

前述の手順に従って、PDF ドキュメントに対して OCR を実行し、認識されたテキストを JSON ファイルに保存できます。ただし、最後のステップで SaveFormat.Json を指定する必要があるだけです。

次のサンプル コードは、OCR PDF を実行し、認識されたテキストを C# で JSON ファイルとして保存する方法を示しています。

// このコード例は、PDF ドキュメントを OCR し、認識されたテキストを JSON として保存する方法を示しています。
// PCR エンジンの初期化
AsposeOcr recognitionEngine = new AsposeOcr();

// 認識設定の初期化
DocumentRecognitionSettings recognitionSettings = new DocumentRecognitionSettings();

// OCR の言語を指定します。デフォルトで多言語
recognitionSettings.Language = Language.Eng;

// PDF からテキストを認識する
List<RecognitionResult> results = recognitionEngine.RecognizePdf("C:\\Files\\sample.pdf", recognitionSettings);

// 認識したテキストを JSON として保存する
AsposeOcr.SaveMultipageDocument("C:\\Files\\OCR_result.json", SaveFormat.Json, results);

無料の評価ライセンスを取得する

無料の一時ライセンスを取得して、評価制限なしでライブラリを試すことができます。

結論

この記事では、PDF ドキュメントに対して OCR を実行し、C# で PDF からテキストを抽出する方法を学びました。認識されたテキストを TXT、DOCX、および JSON ファイルとして保存する方法も見てきました。また、ドキュメント を使用して、Aspose.OCR for .NET API について詳しく知ることができます。ご不明な点がございましたら、フォーラムまでお気軽にお問い合わせください。

関連項目