Tento tutoriál krok za krokem ukazuje, jak extrahovat text z naskenovaného PDF v C#. Když naskenujete dokumenty do PDF, tyto stránky se přidají jako naskenované obrázky do souboru PDF. Chcete-li tedy extrahovat text z naskenovaného souboru PDF, budete ve skutečnosti muset extrahovat text z obrázků v PDF v C# pomocí optického rozpoznávání znaků (OCR).
Kroky k extrahování textu z naskenovaného PDF v C#
- Získejte Aspose.OCR for .NET od správce balíčků NuGet.org
- Přidat odkaz na Aspose.OCR namespace
- Použijte licenční kód pomocí metody SetLicense
- Spusťte instanci třídy AsposeOcr
- Zadejte nastavení rozpoznávání pomocí DocumentRecognitionSettings class
- Extrahujte všechny stránky PDF pomocí metody RecognizePDF
- Získejte text z každé stránky PDF pomocí vlastnosti RecognitionText
Pomocí výše uvedených kroků můžete rychle a snadno číst text z naskenovaného PDF v C#. Již dříve jsme vám ukázali, jak Extrahujte text z obrázku v C#. Tento příklad vám však pomůže získat text z PDF v C#.
Kód pro extrahování textu z naskenovaného PDF v C#
Výše uvedený příklad C# získat text z PDF je jednoduchý a snadno pochopitelný. Jednoduše čteme naskenovaný soubor PDF a poté extrahujeme text z každé stránky. Zde je však důležité porozumět jednomu důležitému bodu, a to vlastnost DetectArea. Pokud jej nastavíte na hodnotu true, poskytne vám to větší přesnost, ale sníží rychlost zpracování PDF. Nastavením na hodnotu false se však rychlost zlepší a přesnost se může trochu snížit. Musíte si tedy vybrat mezi dvěma možnostmi na základě vaší situace.
