Umgang mit großen PDF-Dateien in IronOCR

1. Holen Sie sich die Seitenanzahl

Öffnen Sie das Dokument mit IronPdf.PdfDocument (oder einer beliebigen PDF-Bibliothek), um zu erfahren, wie viele Seiten es hat.

using var pdf = IronPdf.PdfDocument.FromFile(pdfPath);
var pageCount = pdf.PageCount;

using var pdf = IronPdf.PdfDocument.FromFile(pdfPath);
var pageCount = pdf.PageCount;

Imports IronPdf

Using pdf = IronPdf.PdfDocument.FromFile(pdfPath)
    Dim pageCount = pdf.PageCount
End Using

2. Laden Sie eine Seite auf einmal

Schleifen Sie durch die Seiten und laden Sie jede einzeln mit OcrInput.LoadPdfPage("file.pdf", pageIndex, dpi). Wo die visuelle Qualität besteht, senken Sie den DPI-Wert auf so niedrig wie 80, um Speicher zu sparen.

3. Lesen und anhängen

Übergeben Sie jede Eingabe einer Einzelseite an IronTesseract.Read() und fügen Sie das Ergebnis einem StringBuilder hinzu.

var ocr = new IronTesseract();
var pdfPath = "large.pdf";
using var pdf = IronPdf.PdfDocument.FromFile(pdfPath);
var pageCount = pdf.PageCount;
var textBuilder = new StringBuilder();
for (int i = 0; i < pageCount; i++)
{
    using var input = new OcrInput();
    input.LoadPdfPage(pdfPath, i, 80);
    var result = ocr.Read(input);
    textBuilder.Append(result.Text);
    textBuilder.Append(' '); // Add space between pages
}
Console.WriteLine(textBuilder.ToString().Trim());

var ocr = new IronTesseract();
var pdfPath = "large.pdf";
using var pdf = IronPdf.PdfDocument.FromFile(pdfPath);
var pageCount = pdf.PageCount;
var textBuilder = new StringBuilder();
for (int i = 0; i < pageCount; i++)
{
    using var input = new OcrInput();
    input.LoadPdfPage(pdfPath, i, 80);
    var result = ocr.Read(input);
    textBuilder.Append(result.Text);
    textBuilder.Append(' '); // Add space between pages
}
Console.WriteLine(textBuilder.ToString().Trim());

Imports IronOcr
Imports IronPdf
Imports System.Text

Dim ocr As New IronTesseract()
Dim pdfPath As String = "large.pdf"
Using pdf = PdfDocument.FromFile(pdfPath)
    Dim pageCount As Integer = pdf.PageCount
    Dim textBuilder As New StringBuilder()
    For i As Integer = 0 To pageCount - 1
        Using input As New OcrInput()
            input.LoadPdfPage(pdfPath, i, 80)
            Dim result = ocr.Read(input)
            textBuilder.Append(result.Text)
            textBuilder.Append(" ") ' Add space between pages
        End Using
    Next
    Console.WriteLine(textBuilder.ToString().Trim())
End Using

Das using bei jedem OcrInput gibt die Bilddaten der Seite vor der nächsten Iteration frei, so dass der Speicher im Loop konstant bleibt, anstatt mit der Seitenanzahl zu wachsen.

Option: Komprimieren Sie das PDF zuerst

Bei sehr komplexen oder bildlastigen Dateien kann die Schleife Seite für Seite dennoch Probleme haben. Komprimieren Sie das PDF mit der Komprimierungs-API von IronPDF, bevor Sie OCR durchführen, um die Bilddaten zu reduzieren, die IronOCR verarbeiten muss. Dies zahlt sich vor allem bei gescannten oder bildlastigen Dokumenten aus.

Komprimieren Sie direkt in einen Stream und laden Sie diesen Stream dann in OcrInput:

var pdf = PdfDocument.FromFile(pdfPath);
var stream = pdf.CompressPdfToStream(CompressStructTree: true);
var ocrTesseract = new IronTesseract();
using var ocrInput = new OcrInput();
ocrInput.LoadPdfPage(stream, 1);

var pdf = PdfDocument.FromFile(pdfPath);
var stream = pdf.CompressPdfToStream(CompressStructTree: true);
var ocrTesseract = new IronTesseract();
using var ocrInput = new OcrInput();
ocrInput.LoadPdfPage(stream, 1);

Imports IronTesseract

Dim pdf = PdfDocument.FromFile(pdfPath)
Dim stream = pdf.CompressPdfToStream(CompressStructTree:=True)
Dim ocrTesseract = New IronTesseract()
Using ocrInput As New OcrInput()
    ocrInput.LoadPdfPage(stream, 1)
End Using

Wenn ein PDF eingebettete Bilder enthält, verringern Sie JpegQuality während der Komprimierung, um die Daten weiter zu verkleinern:

var pdf = PdfDocument.FromFile(@"D:\hugePdf.pdf");
var stream = pdf.CompressPdfToStream(JpegQuality: 75, CompressStructTree: true);

var pdf = PdfDocument.FromFile(@"D:\hugePdf.pdf");
var stream = pdf.CompressPdfToStream(JpegQuality: 75, CompressStructTree: true);

Imports System

Dim pdf = PdfDocument.FromFile("D:\hugePdf.pdf")
Dim stream = pdf.CompressPdfToStream(JpegQuality:=75, CompressStructTree:=True)