W wielu przepływach pracy biznesowej zeskanowane dokumenty PDF muszą być przekształcane w tekst możliwy do przeszukiwania lub edycji. Wyodrębnij tekst ze skanowanych PDF przy użyciu Aspose.PDF OCR w C# samouczek pokazuje, jak wykorzystać zintegrowany silnik OCR w Aspose.PDF for .NET do pobierania zwykłego tekstu ze stron opartych na obrazie. Postępując zgodnie z tym przewodnikiem, otrzymasz gotowe rozwiązanie, które działa z dowolnym zeskanowanym PDF, niezależnie od jego rozmiaru czy języka.

Wyodrębnij tekst ze zeskanowanych plików PDF przy użyciu Aspose.PDF OCR SDK

Skanowane pliki PDF zawierają tylko obrazy, więc typowe API do wyodrębniania tekstu nie zwracają nic. OCR (Optical Character Recognition) konwertuje te obrazy na znaki czytelne dla maszyn, umożliwiając indeksowanie, eksplorację danych i dalsze przetwarzanie. Automatyzacja OCR w C# usuwa ręczne kroki kopiuj‑wklej, zwiększa dokładność i skalowalność przy dużych partiach dokumentów.

Aspose.PDF udostępnia przestrzeń nazw Aspose.Pdf.Ocr, która zawiera OcrTextRecognitionOptions, OcrTextAbsorber oraz wyliczenia języków. Biblioteka jest dystrybuowana przez NuGet. Zainstaluj ją za pomocą następującego polecenia:

Install-Package Aspose.PDF

Aby uzyskać więcej informacji, odwiedź Strona produktu Aspose.PDF.

Wyodrębnij tekst ze skanowanych plików PDF przy użyciu Aspose.PDF OCR w C#

  1. Załaduj zeskanowany plik PDF do Aspose.Pdf.Document.
  2. Skonfiguruj opcje OCR (język, rozdzielczość, separator stron).
  3. Zastosuj OcrTextAbsorber do kolekcji stron dokumentu.
  4. Pobierz rozpoznany tekst i zapisz go.

Przykład demonstruje ładowanie zeskanowanego pliku PDF, konfigurowanie OCR, wyodrębnianie tekstu i zapisywanie wyniku do pliku przy użyciu 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);
    }
}

Funkcje Aspose.PDF, które mają znaczenie dla tego zadania

  • Zintegrowany silnik OCR – Brak zewnętrznych zależności; silnik OCR znajduje się w przestrzeni nazw Aspose.Pdf.Ocr.
  • Wybór języka – enum OcrLanguage pozwala określić słownik dla lepszego rozpoznawania.
  • Kontrola rozdzielczości – Wyższe DPI poprawia wierność znaków, szczególnie w przypadku słabych skanów.
  • PageSeparator – Konfigurowalny ciąg znaków służący do oddzielania stron w wyjściowym tekście.
  • Wątkowo‑bezpieczna kolekcja stron – Umożliwia równoległe przetwarzanie dużych plików PDF.

Te możliwości umożliwiają solidne, oparte na jednej bibliotece rozwiązanie do wyodrębniania tekstu z dowolnego zeskanowanego pliku PDF.

Instalacja i konfiguracja w C#

  1. Otwórz swoje rozwiązanie .NET w Visual Studio.
  2. Otwórz Package Manager Console i uruchom Install-Package Aspose.PDF.
  3. Dodaj using Aspose.Pdf; oraz using Aspose.Pdf.Ocr; na początku pliku klasy.
  4. Upewnij się, że masz tymczasową lub pełną licencję; bez niej wynik może zawierać znak wodny.

Aby uzyskać szczegóły licencjonowania, zobacz stronę tymczasowej licencji.

Implementacja krok po kroku w C#

Na co odpowiada ta sekcja? Jakie są dokładne kroki kodu, aby wyodrębnić tekst?

  1. Zainicjalizuj dokument
    var pdfPath = "path/to/scanned.pdf";
var document = new Document(pdfPath);
  2. Utwórz opcje OCR
    var ocrOptions = new OcrTextRecognitionOptions
{
    Language = OcrLanguage.English,
    Resolution = 300,
    PageSeparator = "\n--- Page Break ---\n"
};
  3. Uruchom absorber
    var absorber = new OcrTextAbsorber(ocrOptions);
document.Pages.Accept(absorber);
  4. Uzyskaj wyodrębniony tekst
    string extractedText = absorber.Text;
  5. Zapisz lub przetwórz tekst
    System.IO.File.WriteAllText("output.txt", extractedText);

Kod podąża za tym samym przepływem, co kompleksowy przykład powyżej, ale dzieli logikę na przystępne kroki.

Uzyskaj darmową licencję

Wypróbuj Aspose.PDF bez kosztów, prosząc o tymczasową licencję tutaj: https://purchase.aspose.com/temporary-license/.

Darmowe dodatkowe zasoby

Podsumowanie

Ten przewodnik przeprowadził Cię przez proces wyodrębniania tekstu ze skanowanych plików PDF przy użyciu Aspose.PDF OCR w C#. Dowiedziałeś się, jak zainstalować bibliotekę, skonfigurować opcje OCR dla dokładności, wdrożyć czysty proces ekstrakcji oraz zastosować optymalizacje wydajności dla dużych dokumentów. Dzięki tym technikom każdy programista .NET może przekształcić PDF‑y zawierające wyłącznie obrazy w przeszukiwalne, edytowalne strumienie tekstu.

Najczęściej zadawane pytania

  1. Jak wyodrębnić tekst ze zeskanowanego PDF w C# przy użyciu Aspose.PDF?
    Utwórz Document, skonfiguruj OcrTextRecognitionOptions, uruchom OcrTextAbsorber na stronach i odczytaj właściwość Text.

  2. Jakie języki OCR są obsługiwane przez Aspose.PDF?
    Biblioteka obsługuje wiele języków za pomocą wyliczenia OcrLanguage, w tym angielski, francuski, niemiecki, hiszpański, chiński i inne.

  3. Jak mogę poprawić dokładność OCR przy skanach o niskiej rozdzielczości?
    Zwiększ Resolution (np. 300 DPI), wybierz właściwy język i rozważ wstępne przetwarzanie obrazów w celu zwiększenia kontrastu.

  4. Czy bezpieczne jest przetwarzanie dużych PDF‑ów równolegle?
    Tak, poprzez podzielenie dokumentu na zakresy stron i przetwarzanie każdego zakresu w osobnym wątku, monitorując zużycie pamięci.

  5. Jakie licencjonowanie jest wymagane dla funkcji OCR?
    OCR jest w pełni dostępne przy ważnej licencji Aspose.PDF for .NET; tymczasowa licencja może zostać uzyskana w celu oceny.

  6. Gdzie mogę znaleźć więcej dokumentacji dotyczącej ustawień OCR?
    Szczegółowe wskazówki konfiguracji OCR są dostępne w dokumentacji ustawień OCR Aspose.PDF pod adresem https://docs.aspose.com/pdf/net/.

Czytaj więcej