Gescannte Dokumente in C# using IronOcr lesen

Wie extrahiere ich Text aus gescannten Dokumenten?

Um Text aus allen Bildern innerhalb eines Dokuments zu extrahieren, verwenden Sie die Methode ReadDocument. Diese Methode verarbeitet das Dokument und gibt ein Objekt zurück, das den extrahierten Text enthält, auf den über die Eigenschaft Text zugegriffen werden kann. Das folgende Beispiel zeigt, wie diese Methode mit einer -Datei angewendet wird.

IronOCR unterstützt eine Vielzahl von Dokumentformaten für das Scannen. Bei Bildern können Sie mit den Formaten JPG, PNG, GIF, TIFF und BMP arbeiten, während die PDF-Unterstützung sowohl einseitige als auch mehrseitige Dokumente umfasst. Die Bibliothek nutzt die fortschrittliche Tesseract 5-Technologie, um eine hohe Genauigkeit bei allen unterstützten Formaten zu gewährleisten.

• Die Methode funktioniert derzeit nur für Englisch, Chinesisch, Japanisch, Koreanisch und das lateinische Alphabet.
• Die Verwendung von "Advanced Scan" im .NET Framework erfordert, dass das Projekt auf einer x64-Architektur läuft. )}]

:path=/static-assets/ocr/content-code-examples/how-to/read-scanned-document-read-scanned-document.cs

using IronOcr;
using System;

// Instantiate OCR engine
var ocr = new IronTesseract();

// Configure OCR engine
using var input = new OcrInput();
input.LoadImage("potter.tiff");

// Perform OCR
OcrResult result = ocr.ReadDocument(input);

Console.WriteLine(result.Text);

Imports IronOcr
Imports System

' Instantiate OCR engine
Private ocr = New IronTesseract()

' Configure OCR engine
Private input = New OcrInput()
input.LoadImage("potter.tiff")

' Perform OCR
Dim result As OcrResult = ocr.ReadDocument(input)

Console.WriteLine(result.Text)

Erweiterte Optionen zur Dokumentenverarbeitung

Bei der Arbeit mit gescannten Dokumenten benötigen Sie oft mehr Kontrolle über den OCR-Prozess. IronOCR bietet mehrere erweiterte Funktionen, um Ihre Ergebnisse bei der Textextraktion zu verbessern.

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();

// Load a multi-page PDF
input.LoadPdf("multi-page-document.pdf");

// Process all pages
OcrResult result = ocr.ReadDocument(input);

// Access individual page results
foreach (var page in result.Pages)
{
    Console.WriteLine($"Page {page.PageNumber}: {page.Text}");
}

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();

// Load a multi-page PDF
input.LoadPdf("multi-page-document.pdf");

// Process all pages
OcrResult result = ocr.ReadDocument(input);

// Access individual page results
foreach (var page in result.Pages)
{
    Console.WriteLine($"Page {page.PageNumber}: {page.Text}");
}

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()

    ' Load a multi-page PDF
    input.LoadPdf("multi-page-document.pdf")

    ' Process all pages
    Dim result As OcrResult = ocr.ReadDocument(input)

    ' Access individual page results
    For Each page In result.Pages
        Console.WriteLine($"Page {page.PageNumber}: {page.Text}")
    Next

End Using

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();

// Load and enhance image quality
input.LoadImage("low-quality-scan.jpg");
input.Deskew();  // Correct image skew
input.DeNoise(); // Remove background noise
input.Binarize(); // Convert to black and white

OcrResult result = ocr.ReadDocument(input);

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();

// Load and enhance image quality
input.LoadImage("low-quality-scan.jpg");
input.Deskew();  // Correct image skew
input.DeNoise(); // Remove background noise
input.Binarize(); // Convert to black and white

OcrResult result = ocr.ReadDocument(input);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    ' Load and enhance image quality
    input.LoadImage("low-quality-scan.jpg")
    input.Deskew()  ' Correct image skew
    input.DeNoise() ' Remove background noise
    input.Binarize() ' Convert to black and white

    Dim result As OcrResult = ocr.ReadDocument(input)
End Using

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

// Process and save as searchable PDF
OcrResult result = ocr.ReadDocument(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadPdf("scanned-document.pdf");

// Process and save as searchable PDF
OcrResult result = ocr.ReadDocument(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    input.LoadPdf("scanned-document.pdf")

    ' Process and save as searchable PDF
    Dim result As OcrResult = ocr.ReadDocument(input)
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

Arbeiten mit verschiedenen Dokumenttypen

IronOCR zeichnet sich durch die Verarbeitung verschiedener Dokumenttypen aus, die in Geschäftsumgebungen häufig vorkommen. Ob es sich um Rechnungen, Verträge oder historische Dokumente handelt – die Bibliothek bietet spezielle Funktionen zum Extrahieren von Daten aus verschiedenen Quellen.

Bewährte Verfahren für das Scannen von Dokumenten

So erzielen Sie optimale Ergebnisse bei der Verarbeitung gescannter Dokumente:

1. Scanqualität: Verwenden Sie für optimale Ergebnisse eine Auflösung von mindestens 300 DPI
2. Dateiformat: Die Formate TIFF und PNG bewahren die Qualität bei Textdokumenten besser als JPEG
3. Vorverarbeitung: Wenden Sie je nach Zustand Ihres Dokuments geeignete Filter an
4. Leistung: Bei großen Datenmengen sollten Sie die Nutzung von Multithreading-Funktionen in Betracht ziehen

Behebung häufiger Probleme

Bei der Arbeit mit gescannten Dokumenten können verschiedene Herausforderungen auftreten. Hier sind Lösungen für häufige Probleme:

• Scans von schlechter Qualität: Wenden Sie vor der OCR-Verarbeitung Verbesserungsfilter an
• Schräge Dokumente: Verwenden Sie die Methode Deskew(), um die Ausrichtung zu korrigieren
• Gemischte Inhalte: Behandeln Sie bestimmte Bereiche, wenn Dokumente sowohl Text- als auch Nicht-Text-Elemente enthalten

Für detailliertere Anleitungen sehen Sie sich unser umfassendes C#-OCR-Tutorial an oder schauen Sie sich einfache OCR-Beispiele an, um schnell loszulegen.

Nächste Schritte

Nachdem Sie nun wissen, wie man Text aus gescannten Dokumenten extrahiert, können Sie sich mit fortgeschritteneren Funktionen befassen, wie z. B. das Durchsuchbarmachen von PDF-Dateien oder die Verarbeitung von PDF-Streams für Webanwendungen. Dank seiner Flexibilität eignet sich IronOCR für alles von der einfachen Dokumentendigitalisierung bis hin zu komplexen Workflows zur Dokumentenverarbeitung in Enterprise-Umgebungen.