Wie man in C# eine PDF-Datei per OCR verarbeitet: Text aus gescannten Dokumenten mit .NET extrahieren.

Wie führt man OCR auf einem PDF in C# aus?

Der schnellste Weg zur PDF-Textextraktion in .NET beginnt mit der Installation von IronOCR über NuGet . Öffne ein Terminal in deinem Projektverzeichnis und führe folgenden Befehl aus:

dotnet add package IronOcr

Nach der Installation des Pakets liest das folgende Programm auf oberster Ebene eine gescannte PDF-Datei und gibt den extrahierten Text aus:

using IronOcr;

// Initialize the OCR engine
var ocr = new IronTesseract();

// Load the PDF and perform OCR
using var input = new OcrInput();
input.LoadPdf("scanned-report.pdf");

// Run recognition
OcrResult result = ocr.Read(input);

// Access the extracted text
string text = result.Text;
Console.WriteLine(text);

using IronOcr;

// Initialize the OCR engine
var ocr = new IronTesseract();

// Load the PDF and perform OCR
using var input = new OcrInput();
input.LoadPdf("scanned-report.pdf");

// Run recognition
OcrResult result = ocr.Read(input);

// Access the extracted text
string text = result.Text;
Console.WriteLine(text);

Imports IronOcr

' Initialize the OCR engine
Dim ocr As New IronTesseract()

' Load the PDF and perform OCR
Using input As New OcrInput()
    input.LoadPdf("scanned-report.pdf")

    ' Run recognition
    Dim result As OcrResult = ocr.Read(input)

    ' Access the extracted text
    Dim text As String = result.Text
    Console.WriteLine(text)
End Using

Die IronTesseract-Klasse umschließt Tesseract 5 mit .NET-nativen Optimierungen für sowohl .NET Core als auch .NET Framework Ziele. Das OcrInput-Objekt verwaltet das Laden von PDF-Dateien und die interne Seitenwiedergabe. Wenn Read aufgerufen wird, analysiert der OCR-Prozess jede Seite und gibt ein OcrResult zurück, das den vollständig extrahierten Text sowie strukturierte Daten über Absätze, Zeilen, Wörter und deren Pixelkoordinaten enthält.

Das Ergebnis kann in eine Textdatei geschrieben, an nachgelagerte Verarbeitungslogik übergeben, in einer Datenbank gespeichert oder in eine Dokumentenindexierungspipeline eingespeist werden. Weitere Informationen zur zugrundeliegenden Engine finden Sie in der Tesseract-OCR-Dokumentation und der IronOCR -API-Referenz .

Wie liest man bestimmte Seiten aus einer PDF-Datei?

Die Bearbeitung jeder einzelnen Seite eines langen Dokuments ist Zeit- und Speicherverschwendung, wenn nur bestimmte Seiten relevanten Inhalt enthalten. IronOCR ermöglicht es Ihnen, bestimmte Seiten anzusteuern, indem Sie nullbasiert Seitenindizes an LoadPdf übergeben:

using IronOcr;
using System.Collections.Generic;

var ocr = new IronTesseract();

// Specify pages to process (zero-based: 0 = first page)
var targetPages = new List<int> { 0, 2, 4 };

using var input = new OcrInput();
input.LoadPdf("lengthy-document.pdf", pageIndices: targetPages);

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
using System.Collections.Generic;

var ocr = new IronTesseract();

// Specify pages to process (zero-based: 0 = first page)
var targetPages = new List<int> { 0, 2, 4 };

using var input = new OcrInput();
input.LoadPdf("lengthy-document.pdf", pageIndices: targetPages);

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr
Imports System.Collections.Generic

Dim ocr As New IronTesseract()

' Specify pages to process (zero-based: 0 = first page)
Dim targetPages As New List(Of Integer) From {0, 2, 4}

Using input As New OcrInput()
    input.LoadPdf("lengthy-document.pdf", pageIndices:=targetPages)

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Das selektive Laden von Seiten reduziert sowohl die Verarbeitungszeit als auch den Speicherverbrauch, was besonders wichtig ist bei der Arbeit mit Archiven, die mehrere hundert Seiten umfassen, von denen nur eine Handvoll Seiten die benötigten Daten enthalten. Die nullbasierte Indexkonvention entspricht den Standard- .NET -Sammlungen: Seitenindex 0 ist die erste Seite des Dokuments.

Bei Dokumenten, bei denen die relevanten Seiten nicht im Voraus bekannt sind, empfiehlt es sich, zunächst einen schnellen Durchlauf des gesamten Dokuments mit reduzierter DPI-Auflösung durchzuführen, um die Seitenzahlen zu ermitteln, und anschließend einen weiteren Durchlauf mit vollen Einstellungen nur für diese Seiten durchzuführen.

Erfahren Sie mehr über die Seitensteuerung in der IronOCR-Seitenauswahldokumentation.

Wie extrahiert man Daten aus einem bestimmten Bereich einer Seite?

Bei der Rechnungsverarbeitung, der Digitalisierung von Formularen und der Analyse strukturierter Dokumente ist es häufig erforderlich, Text aus einem definierten Bereich zu extrahieren, anstatt eine ganze Seite zu scannen. IronOCR unterstützt OCR, das auf bestimmte Regionen abzielt, durch den ContentAreas-Parameter, der ein Array von Rectangle-Objekten akzeptiert, die angeben, welche Teile jeder Seite analysiert werden sollen:

using IronOcr;
using IronSoftware.Drawing;

var ocr = new IronTesseract();

// Define the scan region: X, Y, Width, Height (all in pixels from top-left)
var invoiceFields = new Rectangle[]
{
    new Rectangle(130, 290, 250, 50)   // Invoice number field
};

using var input = new OcrInput();
input.LoadPdf("invoice.pdf", contentAreas: invoiceFields);

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
using IronSoftware.Drawing;

var ocr = new IronTesseract();

// Define the scan region: X, Y, Width, Height (all in pixels from top-left)
var invoiceFields = new Rectangle[]
{
    new Rectangle(130, 290, 250, 50)   // Invoice number field
};

using var input = new OcrInput();
input.LoadPdf("invoice.pdf", contentAreas: invoiceFields);

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr
Imports IronSoftware.Drawing

Dim ocr As New IronTesseract()

' Define the scan region: X, Y, Width, Height (all in pixels from top-left)
Dim invoiceFields As Rectangle() = {
    New Rectangle(130, 290, 250, 50)   ' Invoice number field
}

Using input As New OcrInput()
    input.LoadPdf("invoice.pdf", contentAreas:=invoiceFields)

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Der Rectangle-Konstruktor nimmt vier ganzzahlige Parameter entgegen: die X-Koordinate, die Y-Koordinate, die Breite und die Höhe - alle gemessen in Pixeln von der oberen linken Ecke der wiedergegebenen Seite. Die Fokussierung auf einen kleinen Bereich anstatt auf eine ganze Seite reduziert sowohl die OCR-Zeit als auch die Wahrscheinlichkeit, dass die Engine umgebende Störungen oder nicht zusammenhängende Textfelder erfasst.

Für Arbeitsabläufe zur Stapelverarbeitung von Rechnungen kombinieren Sie Regionsextraktion mit der Iteration über result.Pages, um strukturierte Daten aus derselben Feldposition in Hunderten von Dokumenten zu ziehen. Jede Suchergebnisseite zeigt den erkannten Text für ihren jeweiligen Inhaltsbereich separat an.

Das Beispiel für IronOCR-Inhaltsbereiche bietet zusätzliche Konfigurationsoptionen für Multi-Region-Szenarien.

Wie lässt sich die OCR-Genauigkeit bei gescannten Dokumenten verbessern?

In der Praxis eingescannte Dokumente weisen häufig Qualitätsprobleme auf: schiefe Seiten, geringe Auflösung oder digitales Rauschen, das durch die Scanhardware oder -software verursacht wird. IronOCR beinhaltet eine Reihe von Bildvorverarbeitungsfiltern, die diese Probleme beheben, bevor die Erkennungs-Engine ausgeführt wird:

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
// Load PDF at higher DPI for improved text recognition on small fonts
input.LoadPdf("poor-quality-scan.pdf", dpi: 300);

// Apply image correction filters
input.Deskew();    // Automatically straighten rotated pages
input.DeNoise();   // Remove scanning artifacts and speckles

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
// Load PDF at higher DPI for improved text recognition on small fonts
input.LoadPdf("poor-quality-scan.pdf", dpi: 300);

// Apply image correction filters
input.Deskew();    // Automatically straighten rotated pages
input.DeNoise();   // Remove scanning artifacts and speckles

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr = New IronTesseract()

Using input = New OcrInput()
    ' Load PDF at higher DPI for improved text recognition on small fonts
    input.LoadPdf("poor-quality-scan.pdf", dpi:=300)

    ' Apply image correction filters
    input.Deskew()    ' Automatically straighten rotated pages
    input.DeNoise()   ' Remove scanning artifacts and speckles

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Der dpi-Parameter steuert die Auflösung, mit der die PDF-Seiten vor der Erkennung gerendert werden. Höhere Werte – 200 bis 300 DPI – verbessern die Genauigkeit bei Dokumenten mit kleinem oder dichtem Text, allerdings auf Kosten eines etwas höheren Speicherbedarfs während der Verarbeitung. Die Deskew-Methode erkennt und korrigiert seitenweise Rotation automatisch. DeNoise entfernt Flecken und Artefakte, die den Zeichenerkennungsschritt verwirren können.

Für Dokumente, die eine aggressivere Bildkorrektur erfordern, bietet IronOCR auch Kontrastverstärkung, Binarisierung (Umwandlung von Seiten in Schwarzweiß) und Skalierungsanpassungen. Durch die sequentielle Kombination mehrerer Filter lassen sich aus Scans, die andernfalls zu einer verstümmelten Ausgabe führen würden, brauchbare Texte gewinnen. Überprüfen Sie die IronOCR-Bildfilter-Referenz für die vollständige Liste der verfügbaren Vorverarbeitungsoperationen.

Wie gehen Sie mit passwortgeschützten Dokumenten in verschiedenen Formaten um?

IronOCR ist nicht auf Standard-PDF-Dateien beschränkt. Die Bibliothek verarbeitet eine Reihe von Eingabeszenarien, die häufig in Dokumentenverarbeitungs-Workflows auftreten.

Passwortgeschützte PDFs werden unterstützt, indem die Anmeldeinformationen während der Eingabeerstellung übergeben werden:

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("protected.pdf", password: "secret123");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("protected.pdf", password: "secret123");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()

Using input As New OcrInput()
    input.LoadPdf("protected.pdf", password:="secret123")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Image formats -- PNG, JPEG, TIFF, BMP, GIF und multipage TIFF -- werden mit den entsprechenden LoadImage- oder LoadImageFrames-Methoden geladen. Die gleichen Vorverarbeitungsfilter und Optionen zur Regionsausrichtung gelten unabhängig vom Eingabeformat.

Mehrsprachige Dokumente werden über das Sprachpaketsystem von IronOCR verarbeitet. Die Bibliothek wird standardmäßig mit Englisch geliefert und unterstützt mehr als 125 zusätzliche Sprachpakete, die lateinische, kyrillische, CJK, arabische und andere Schriften abdecken. Laden Sie zusätzliche Sprachen vor dem Aufruf von Read:

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.German;

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.German;

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.German

Für Dokumente, die mehrere Sprachen auf derselben Seite mischen, ist der MultiLanguage-Modus verfügbar. Dies ist besonders wertvoll für die Rechnungsverarbeitung in internationalen Umgebungen, wo Kopfzeilen, Positionen und Adressen in verschiedenen Sprachen erscheinen können.

Die Bereitstellung funktioniert unter Windows, Linux, macOS und in Cloud-Umgebungen, einschließlich Azure und Docker-Containern.

Wie erstellt man durchsuchbare PDFs aus gescannten Dokumenten?

Neben der Extraktion von Text in Zeichenketten kann IronOCR durchsuchbare PDF-Dateien erzeugen – eine PDF-Datei, bei der das ursprüngliche gescannte Bild als visuelle Ebene erhalten bleibt, während eine unsichtbare Textebene für Such- und Kopiervorgänge eingebettet wird. Dies ist das Standardformat, das von Professional Dokumentenscannern erzeugt wird.

Das IronOCR durchsuchbare PDF-Feature akzeptiert ein OcrResult und schreibt eine neue PDF-Datei:

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("scanned-archive.pdf");

OcrResult result = ocr.Read(input);

// Save as a searchable PDF
result.SaveAsSearchablePdf("output-searchable.pdf");

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("scanned-archive.pdf");

OcrResult result = ocr.Read(input);

// Save as a searchable PDF
result.SaveAsSearchablePdf("output-searchable.pdf");

Imports IronOcr

Dim ocr As New IronTesseract()

Using input As New OcrInput()
    input.LoadPdf("scanned-archive.pdf")

    Dim result As OcrResult = ocr.Read(input)

    ' Save as a searchable PDF
    result.SaveAsSearchablePdf("output-searchable.pdf")
End Using

Die Ausgabedatei kann mit jedem PDF-Reader geöffnet werden. Textauswahl-, Such- und Kopiervorgänge arbeiten auf der eingebetteten Textebene, während das ursprüngliche Scan-Erscheinungsbild erhalten bleibt. Dieses Format ist häufig erforderlich für Compliance-Archive, juristische Dokumentenablagen und Enterprise Content-Management-Systeme.

Für zusätzliche Ausgabeformate stellt das OcrResult-Objekt auch Seitengenauigkeitspunkte, wortweise Begrenzungsrahmen und strukturierte Absatzdaten zur Verfügung – alles nützlich für nachgelagerte Klassifikations- oder Indizierungsaufgaben.

Wie liest man Barcodes und QR-Codes zusammen mit Text?

Dokumentenverarbeitungspipelines müssen häufig sowohl für Menschen lesbaren Text als auch maschinenlesbare Codes aus demselben Dokument extrahieren. IronOCR kann Barcodes und QR-Codes während desselben OCR-Durchlaufs erkennen und dekodieren, ohne dass eine separate Bibliothek erforderlich ist.

Aktivieren Sie die Barcode-Lesefunktion für die IronTesseract-Instanz bevor Sie fortfahren:

using IronOcr;

var ocr = new IronTesseract();
ocr.Configuration.ReadBarCodes = true;

using var input = new OcrInput();
input.LoadPdf("shipment-labels.pdf");

OcrResult result = ocr.Read(input);

// Access recognized text
Console.WriteLine(result.Text);

// Access barcode data
foreach (var barcode in result.Barcodes)
{
    Console.WriteLine($"Type: {barcode.Format}, Value: {barcode.Value}");
}

using IronOcr;

var ocr = new IronTesseract();
ocr.Configuration.ReadBarCodes = true;

using var input = new OcrInput();
input.LoadPdf("shipment-labels.pdf");

OcrResult result = ocr.Read(input);

// Access recognized text
Console.WriteLine(result.Text);

// Access barcode data
foreach (var barcode in result.Barcodes)
{
    Console.WriteLine($"Type: {barcode.Format}, Value: {barcode.Value}");
}

Imports IronOcr

Dim ocr As New IronTesseract()
ocr.Configuration.ReadBarCodes = True

Using input As New OcrInput()
    input.LoadPdf("shipment-labels.pdf")

    Dim result As OcrResult = ocr.Read(input)

    ' Access recognized text
    Console.WriteLine(result.Text)

    ' Access barcode data
    For Each barcode In result.Barcodes
        Console.WriteLine($"Type: {barcode.Format}, Value: {barcode.Value}")
    Next
End Using

Dies ist besonders nützlich für die Verarbeitung von Versandetiketten, die Bestandsverwaltung und alle Arbeitsabläufe, bei denen Barcodes und gedruckter Text auf gescannten Dokumenten zusammen vorkommen. Der IronOCR-Barcodeleseleitfaden behandelt unterstützte Formate, einschließlich Code 128, QR-Codes, Data Matrix und PDF417.

Worin besteht der Unterschied zwischen den IronOCR Eingabetypen?

IronOCR bietet zwei Hauptansätze zum Laden von PDF-Dateien, die jeweils für unterschiedliche Szenarien geeignet sind:

Für die meisten Produktion scenarien ist OcrInput.LoadPdf() der empfohlene Ansatz, da er die volle Vorverarbeitungs- und Konfigurations-API bereitstellt. OcrPdfInput funktioniert gut für schnelles Prototyping oder Situationen, in denen die Standardeinstellungen ausreichen.

Was sind Ihre nächsten Schritte?

Die obenstehenden Codebeispiele decken die wichtigsten IronOCR Workflows für die PDF-OCR in C# ab. Hier ist eine kurze Checkliste für den nächsten Schritt:

• Install the package: dotnet add package IronOcr or search for IronOCR on NuGet
• Führen Sie das Basisbeispiel aus : Bestätigen Sie die Textextraktion aus einer Beispiel-PDF-Datei, bevor Sie die vollständige Pipeline-Logik erstellen.
• Vorverarbeitung anwenden: Wenn Sie mit gescannten Dokumenten arbeiten, fügen Sie Deskew und DeNoise-Aufrufe hinzu und testen Sie mit repräsentativen Beispielproben
• Zusätzliche Funktionen erkunden: Durchsuchbares PDF-Ausgabe, Barcode-Lesen, Mehrsprachige Unterstützung, und strukturierte Datenausgabe
• Hinweise zur Bereitstellung beachten : Artikel zur Bereitstellung von Azure, Docker und Linux behandeln umgebungsspezifische Konfigurationen.
• Kostenlose Testversion : Starten Sie eine kostenlose Testversion , um alle Funktionen zu testen, bevor Sie eine Lizenz erwerben.
• Lizenz erwerben : Die IronOCR Lizenzoptionen decken sowohl Einzelentwickler als auch Enterprise ab und beinhalten die lizenzgebührenfreie Weitergabe.

Für Fragen zu konkreten Anwendungsfällen bietet die IronOCR -Anleitungsbibliothek Schritt-für-Schritt-Artikel, die Dutzende von Szenarien abdecken. Die vollständige API-Oberfläche ist in der IronOCR API-Referenz dokumentiert.