このステップバイステップのチュートリアルでは、C＃でスキャンしたPDFからテキストを抽出する方法を示します。ドキュメントをスキャンしてPDFにすると、それらのページはスキャンされた画像としてPDFファイル内に追加されます。したがって、スキャンしたPDFファイルからテキストを抽出するには、実際には、光学式文字認識（OCR）を適用してC＃でPDFの画像からテキストを抽出する必要があります。
C＃でスキャンしたPDFからテキストを抽出する手順
- NuGet.orgパッケージマネージャーからAspose.OCR for .NETを取得します
- Aspose.OCR namespaceへの参照を追加します
- SetLicenseメソッドを使用してライセンスコードを適用する
- AsposeOcrクラスのインスタンスを開始します
- DocumentRecognitionSettings classを使用して認識設定を指定します
- RecognizePDFメソッドを使用してすべてのPDFページを抽出します
- RecognitionTextプロパティを使用して各PDFページからテキストを取得します
上記の手順を使用すると、C＃でスキャンしたPDFからテキストをすばやく簡単に読み取ることができます。以前、C＃で画像からテキストを抽出するの方法を説明しました。ただし、この例は、C＃でPDFからテキストを取得するのに役立ちます。
C＃でスキャンしたPDFからテキストを抽出するコード
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| using System; | |
| using System.Collections.Generic; | |
| //Use following namespace to extract text from scanned PDF | |
| using Aspose.OCR; | |
| namespace ExtractTextFromScannedPDFFile | |
| { | |
| class Program | |
| { | |
| static void Main(string[] args) | |
| { | |
| //Set license before extracting text from scanned PDF file | |
| Aspose.OCR.License AsposeOCRLicense = new Aspose.OCR.License(); | |
| AsposeOCRLicense.SetLicense(@"c:\asposelicense\license.lic"); | |
| //create AsposeOcr object | |
| AsposeOcr ScannedPDFFile = new AsposeOcr(); | |
| //set recognition settings | |
| DocumentRecognitionSettings RecognitionSettings = new DocumentRecognitionSettings(); | |
| RecognitionSettings.StartPage = 1; | |
| RecognitionSettings.PagesNumber = 3; | |
| //when set true, improves accuracy but reduces speed | |
| RecognitionSettings.DetectAreas = false; | |
| //extract text from specified pages | |
| List<RecognitionResult> ExtractedResults = ScannedPDFFile.RecognizePdf("InputScannedPDFFile.pdf", RecognitionSettings); | |
| //fetch extracted text of each page | |
| int PageCounter = 1; | |
| foreach(RecognitionResult SinglePage in ExtractedResults) | |
| { | |
| Console.WriteLine("Page: {0}, Extracted Text:{1}", PageCounter, SinglePage.RecognitionText); | |
| PageCounter++; | |
| } | |
| } | |
| } | |
| } |
上記のC＃のPDFからのテキストの取得例は、シンプルで理解しやすいものです。スキャンしたPDFファイルを読み取り、各ページからテキストを抽出するだけです。ただし、ここで理解しておくべき重要なポイントの1つは、DetectAreaプロパティです。 trueに設定すると、精度は向上しますが、PDFの処理速度は低下します。ただし、falseに設定すると、速度が向上し、精度が少し低下する場合があります。したがって、状況に基づいて2つのオプションから選択する必要があります。
