Cómo hacer OCR a un PDF: Extraer texto de documentos escaneados con C# .NET OCR PDF

¿Cómo puedo realizar un OCR en un PDF en C#?

En primer lugar, instale la biblioteca IronOCR a través del gestor de paquetes NuGet para añadir este potente motor de OCR a su sistema:

Install-Package IronOcr

El siguiente ejemplo muestra cómo cargar un archivo PDF y reconocer el texto de un documento escaneado completo:

using IronOcr;
// Initialize the OCR engine
IronTesseract ocr = new IronTesseract();
// Load the PDF and perform OCR
using var pdfInput = new OcrPdfInput("scanned-report.pdf");
OcrResult result = ocr.Read(pdfInput);
// Output the extracted text
string extractedText = result.Text;
Console.WriteLine(extractedText);

using IronOcr;
// Initialize the OCR engine
IronTesseract ocr = new IronTesseract();
// Load the PDF and perform OCR
using var pdfInput = new OcrPdfInput("scanned-report.pdf");
OcrResult result = ocr.Read(pdfInput);
// Output the extracted text
string extractedText = result.Text;
Console.WriteLine(extractedText);

La clase IronTesseract sirve como motor principal de OCR, envolviendo Tesseract 5 con optimizaciones para aplicaciones .NET Core y .NET Framework. El objeto OcrPdfInput gestiona internamente la carga de PDF y el renderizado de páginas, eliminando la necesidad de convertir manualmente los formatos de imagen. Cuando se llama al método Read, el proceso de OCR analiza cada página y devuelve un OcrResult que contiene el texto extraído como una cadena, junto con datos estructurados sobre párrafos, líneas, palabras y sus posiciones. Los usuarios pueden guardar el resultado en un archivo TXT, una carpeta de destino, documentos de Word o utilizar la API para seguir procesando los datos.

¿Cómo leer páginas específicas de un PDF?

El procesamiento de documentos de texto de gran tamaño resulta más eficaz cuando sólo se seleccionan las páginas que se necesitan. Pase una lista de índices de páginas al parámetro PageIndices para convertir páginas PDF escaneadas de forma selectiva:

using IronOcr;
using System.Collections.Generic;
IronTesseract ocr = new IronTesseract();
// Specify pages to process (zero-based indexing)
List<int> targetPages = new List<int>() { 0, 2, 4 };
using var pdfInput = new OcrPdfInput("lengthy-document.pdf", PageIndices: targetPages);
OcrResult result = ocr.Read(pdfInput);
// Save or process the OCR results
Console.WriteLine(result.Text);

using IronOcr;
using System.Collections.Generic;
IronTesseract ocr = new IronTesseract();
// Specify pages to process (zero-based indexing)
List<int> targetPages = new List<int>() { 0, 2, 4 };
using var pdfInput = new OcrPdfInput("lengthy-document.pdf", PageIndices: targetPages);
OcrResult result = ocr.Read(pdfInput);
// Save or process the OCR results
Console.WriteLine(result.Text);

Tenga en cuenta que IronOCR utiliza la indexación basada en cero, por lo que la página 0 representa la primera página de su documento PDF. Este enfoque selectivo reduce el tiempo de procesamiento y el consumo de memoria cuando se trabaja con documentos escaneados de varias páginas en los que solo determinadas secciones contienen datos relevantes para la búsqueda.

¿Cómo puedo extraer datos de una región específica?

El procesamiento de facturas, la digitalización de formularios y el análisis sintáctico de documentos suelen requerir la extracción de texto de áreas definidas en lugar de páginas enteras. Esta herramienta de OCR permite crear escaneados específicos mediante el parámetro ContentAreas, que acepta una matriz de rectángulos que especifican las regiones que se van a procesar:

using IronOcr;
using IronSoftware.Drawing;
using System;
IronTesseract ocr = new IronTesseract();
// Define the scan region (x, y, width, height in pixels)
Rectangle[] invoiceFields = {
    new Rectangle(130, 290, 250, 50)   // Invoice number area
};
using var pdfInput = new OcrPdfInput("invoice.pdf", ContentAreas: invoiceFields);
OcrResult result = ocr.Read(pdfInput);
// Extract and output the structured data
Console.WriteLine(result.Text);

using IronOcr;
using IronSoftware.Drawing;
using System;
IronTesseract ocr = new IronTesseract();
// Define the scan region (x, y, width, height in pixels)
Rectangle[] invoiceFields = {
    new Rectangle(130, 290, 250, 50)   // Invoice number area
};
using var pdfInput = new OcrPdfInput("invoice.pdf", ContentAreas: invoiceFields);
OcrResult result = ocr.Read(pdfInput);
// Extract and output the structured data
Console.WriteLine(result.Text);

El constructor Rectangle acepta cuatro parámetros: Posición X, posición Y, anchura y altura; todos ellos medidos en píxeles desde la esquina superior izquierda de la página. Este enfoque de reconocimiento de texto específico mejora drásticamente tanto la velocidad como la precisión al centrar el motor de OCR en áreas de contenido específicas en lugar de procesar elementos de fondo irrelevantes. Para el procesamiento de facturas por lotes, combine la extracción de regiones con la iteración a través de las páginas de resultados para crear datos estructurados editables a partir de varios archivos PDF.

¿Cómo mejorar la precisión del OCR en documentos escaneados?

Los documentos en papel escaneados en el mundo real suelen llegar con problemas de calidad: páginas torcidas, baja resolución o ruido digital del software de escaneado. IronOCR incluye filtros de preprocesamiento que abordan estos retos y ayudan a convertir los problemas de calidad de imagen en una conversión de texto precisa:

using IronOcr;
IronTesseract ocr = new IronTesseract();
using var input = new OcrInput();
// Load PDF with higher DPI for better text recognition
input.LoadPdf("poor-quality-scan.pdf", DPI: 300);
// Apply image correction filters to process scanned images
input.Deskew();   // Straighten rotated pages
input.DeNoise();  // Remove scanning artifacts
OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
IronTesseract ocr = new IronTesseract();
using var input = new OcrInput();
// Load PDF with higher DPI for better text recognition
input.LoadPdf("poor-quality-scan.pdf", DPI: 300);
// Apply image correction filters to process scanned images
input.Deskew();   // Straighten rotated pages
input.DeNoise();  // Remove scanning artifacts
OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

El parámetro DPI controla la resolución a la que se renderizan las páginas PDF antes del proceso de OCR; los valores más altos (200-300 PPP) mejoran la precisión de los documentos con texto pequeño. El método Deskew detecta y corrige automáticamente la rotación de la página, mientras que DeNoise elimina las motas y los artefactos que interfieren con el reconocimiento óptico de caracteres (OCR). Para los documentos que requieren ajustes de imagen adicionales, IronOCR proporciona mejora del contraste, binarización y otras herramientas para editar la calidad de la imagen.

Esta biblioteca .NET OCR también gestiona documentos PDF protegidos por contraseña aceptando credenciales durante la construcción de la entrada. El software es compatible con más de 125 paquetes de idiomas y permite el reconocimiento óptico de caracteres en documentos internacionales. Además de los archivos PDF estándar, IronOCR puede procesar archivos PNG, TIFF (incluido TIFF multipágina) y otros formatos de imagen. La implementación funciona sin problemas en Windows, Linux, macOS y plataformas en la nube, incluidos Azure y contenedores Docker.

Conclusión

IronOCR transforma la compleja tarea de extracción de texto de PDF en una operación sencilla. Desde la lectura básica de documentos hasta la extracción de regiones específicas y el preprocesamiento de imágenes escaneadas complejas, esta biblioteca de OCR gestiona la complejidad técnica a la vez que expone una API de C# limpia que funciona en .NET Core y .NET Framework.

Los ejemplos de código anteriores demuestran la funcionalidad básica, pero IronOCR va más allá con la lectura de códigos de barras y códigos QR, la creación de PDF con capacidad de búsqueda para convertir archivos PDF escaneados en documentos editables con capacidad de búsqueda y la salida de datos estructurados, incluidas puntuaciones de confianza y posicionamiento de texto. Explore la referencia completa de la API para implementaciones avanzadas, o pruebe las funciones gratuitas de la versión Pro durante el periodo de prueba.

Compra una licencia para desplegar IronOCR en entornos de producción de aplicaciones .NET, o chatea con nuestro equipo de ingeniería para obtener orientación específica para tu proyecto.

¿Listo para realizar OCR en tus aplicaciones .NET? Comience con una prueba gratuita para explorar el conjunto completo de funciones y descargar el SDK.