У цьому покроковому посібнику показано, як витягнути текст із відсканованого PDF у C#. Коли ви скануєте документи в PDF, ці сторінки додаються як відскановані зображення в PDF-файл. Отже, щоб отримати текст із відсканованого файлу PDF, вам доведеться витягнути текст із зображень у PDF на C#, застосувавши оптичне розпізнавання символів (OCR).
Кроки для вилучення тексту зі сканованого PDF-файлу на C#
- Отримайте Aspose.OCR for .NET із менеджера пакетів NuGet.org
- Додайте посилання на Aspose.OCR namespace
- Застосуйте код ліцензії за допомогою методу SetLicense
- Ініціювати екземпляр класу AsposeOcr
- Укажіть параметри розпізнавання за допомогою DocumentRecognitionSettings class
- Витягніть усі сторінки PDF за допомогою методу RecognizePDF
- Отримайте текст із кожної сторінки PDF за допомогою властивості RecognitionText
За допомогою наведених вище кроків ви можете швидко та легко читати текст зі сканованого PDF-файлу на C#. Раніше ми показали вам, як Вилучення тексту із зображення в C#. Однак цей приклад допоможе отримати текст із PDF-файлу на C#.
Код для вилучення тексту зі сканованого PDF-файлу на C#
| 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++; | |
| } | |
| } | |
| } | |
| } |
Наведений вище приклад C# отримання тексту з PDF простий і зрозумілий. Ми просто читаємо відсканований PDF-файл, а потім витягуємо текст із кожної сторінки. Однак тут слід розуміти один важливий момент — властивість DetectArea. Якщо ви встановите значення true, це забезпечить більшу точність, але зменшить швидкість обробки PDF. Однак, встановивши значення false, швидкість покращиться, а точність може трохи знизитися. Тож вам доведеться вибирати між двома варіантами залежно від вашої ситуації.
