Gescannte Dokumente lesen – PDF Text extrahieren und Bild zu Text mit IronOCR

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 und über die Eigenschaft Text aufgerufen werden kann. Das untenstehende Beispiel zeigt, wie Sie diese Methode mit einer -Datei verwenden.

IronOCR unterstützt eine Vielzahl von Dokumentenformaten zum Scannen. Für Bilder können Sie mit den Formaten JPG, PNG, GIF, TIFF und BMP arbeiten, während die PDF-Unterstützung sowohl ein- als auch mehrseitige Dokumente umfasst. Die Bibliothek verwendet die fortschrittliche Tesseract 5-Technologie, um eine hohe Genauigkeit in allen unterstützten Formaten zu gewährleisten.

[{ich:(

• Die Methode funktioniert derzeit nur für Englisch, Chinesisch, Japanisch, Koreanisch und das Lateinische Alphabet.
• Die Verwendung eines erweiterten Scans auf .NET Framework erfordert, dass das Projekt auf 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 für die Dokumentenverarbeitung

Wenn Sie mit gescannten Dokumenten arbeiten, benötigen Sie oft mehr Kontrolle über den OCR-Prozess. IronOCR bietet mehrere fortschrittliche Funktionen zur Verbesserung Ihrer Textextraktionsergebnisse.

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. Egal, ob es sich um Rechnungen, Verträge oder historische Dokumente handelt, die Bibliothek bietet spezielle Funktionen für die Extraktion von Daten aus verschiedenen Quellen.

Best Practices für das Scannen von Dokumenten

Erzielung optimaler Ergebnisse bei der Verarbeitung gescannter Dokumente:

1. Scanqualität: Verwenden Sie eine Mindestauflösung von 300 DPI für beste Ergebnisse
2. Dateiformat: Die Formate TIFF und PNG bewahren die Qualität besser als JPEG für Textdokumente
3. Vorverarbeitung: Wenden Sie geeignete Filter auf der Grundlage Ihrer Dokumentbedingungen an
4. Leistungsfähigkeit: Für große Stapel sollten Sie Multithreading-Funktionen verwenden

Behebung häufiger Probleme

Bei der Arbeit mit gescannten Dokumenten können Sie auf verschiedene Herausforderungen stoßen. Hier finden Sie Lösungen für häufige Probleme:

• Scans von schlechter Qualität: Verbesserungsfilter vor der OCR-Verarbeitung anwenden
• Schiefe Dokumente : Verwenden Sie die Methode Deskew(), um die Ausrichtung zu korrigieren.
• Gemischter Inhalt: Verarbeitung bestimmter Regionen, wenn Dokumente sowohl Text- als auch Nicht-Text-Elemente enthalten

Ausführlichere Anleitungen finden Sie in unserem umfassenden C# OCR-Tutorial oder in den einfachen OCR-Beispielen für den schnellen Einstieg.

Nächste Schritte

Nachdem Sie nun wissen, wie man Text aus gescannten Dokumenten extrahiert, können Sie sich mit fortgeschritteneren Funktionen befassen, wie z. B. eine beliebige PDF-Datei durchsuchbar machen oder PDF-Streams für Webanwendungen verarbeiten. Dank seiner Flexibilität eignet sich IronOCR für alles, von der einfachen Dokumentendigitalisierung bis hin zu komplexen Dokumentenverarbeitungs-Workflows in Unternehmen.