В этом пошаговом руководстве показано, как извлечь текст из отсканированного PDF на C#. Когда вы сканируете документы в PDF, эти страницы добавляются как отсканированные изображения внутри файла PDF. Таким образом, чтобы извлечь текст из отсканированного PDF-файла, вам фактически придется извлекать текст из изображений в PDF на C#, применяя оптическое распознавание символов (OCR).
Действия по извлечению текста из отсканированного PDF-файла в C#
- Получите Aspose.OCR for .NET от диспетчера пакетов NuGet.org.
- Добавить ссылку на Aspose.OCR namespace
- Примените лицензионный код с помощью метода SetLicense
- Инициировать экземпляр класса AsposeOcr
- Укажите параметры распознавания, используя DocumentRecognitionSettings class
- Извлеките все страницы PDF, используя метод RecognizePDF
- Получить текст с каждой страницы PDF, используя свойство RecognitionText
С помощью описанных выше шагов вы можете быстро и легко читать текст из отсканированного PDF-файла на C#. Ранее мы показали вам, как Извлечь текст из изображения в C#. Однако этот пример поможет вам получить текст из PDF на C#.
Код для извлечения текста из отсканированного PDF-файла на С#
Приведенный выше пример получения текста из PDF на С# прост и понятен. Мы просто читаем отсканированный файл PDF, а затем извлекаем текст с каждой страницы. Однако здесь следует понимать один важный момент — свойство DetectArea. Если вы установите значение true, это обеспечит большую точность, но снизит скорость обработки PDF. Однако, установив для него значение false, скорость улучшится, а точность может немного снизиться. Таким образом, вы должны выбрать один из двух вариантов в зависимости от вашей ситуации.
