Cómo leer PDF
PDF son las siglas de "Portable Document Format". Es un formato de archivo desarrollado por Adobe que conserva las fuentes, imágenes, gráficos y diseño de cualquier documento fuente, independientemente de la aplicación y plataforma utilizadas para crearlo. Los archivos PDF suelen utilizarse para compartir y visualizar documentos en un formato coherente, independientemente del software o hardware que se utilice para abrirlo. IronOcr maneja varias versiones de documentos PDF con facilidad.
Cómo leer PDF
- Descargar una biblioteca de C# para leer PDF
- Preparar el documento PDF para su lectura
- Construir el OcrPdfInput objeto con la ruta del archivo PDF
- Emplear el
Leerpara realizar el OCR en el PDF importado - Leer specific pages by providing the page indices list
Instalar con NuGet
Install-Package IronOcr
Leer ejemplo en PDF
Comience por instanciar la clase IronTesseract para realizar el OCR. A continuación, utilice una sentencia 'using' para crear un objeto OcrPdfInput, pasándole la ruta del archivo PDF. Por último, realice el OCR utilizando el método Read.
:path=/static-assets/ocr/content-code-examples/how-to/input-pdfs-read-pdf.csusing IronOcr;
// Instanciar IronTesseract
IronTesseract ocrTesseract = new IronTesseract();
// Añadir PDF
using var pdfInput = new OcrPdfInput("Potter.pdf");
// Realizar OCR
OcrResult ocrResult = ocrTesseract.Read(pdfInput);Imports IronOcr
' Instanciar IronTesseract
Private ocrTesseract As New IronTesseract()
' Añadir PDF
Private pdfInput = New OcrPdfInput("Potter.pdf")
' Realizar OCR
Private ocrResult As OcrResult = ocrTesseract.Read(pdfInput)
En la mayoría de los casos, no es necesario especificar la propiedad DPI. Sin embargo, proporcionar un número alto de PPP en la construcción de OcrPdfInput puede mejorar la precisión de la lectura.
Leer páginas PDF Ejemplo
Al leer páginas específicas de un documento PDF, el usuario puede especificar el número de índice de la página para la importación. Para ello, pase la lista de índices de página al parámetro PageIndices cuando construya el OcrPdfInput. Tenga en cuenta que los índices de página utilizan una numeración basada en ceros.
:path=/static-assets/ocr/content-code-examples/how-to/input-pdfs-read-pdf-pages.csusing IronOcr;
using System.Collections.Generic;
// Instanciar IronTesseract
IronTesseract ocrTesseract = new IronTesseract();
// Crear lista de índices de páginas
List<int> pageIndices = new List<int>() { 0, 2 };
// Añadir PDF
using var pdfInput = new OcrPdfInput("Potter.pdf", PageIndices: pageIndices);
// Realizar OCR
OcrResult ocrResult = ocrTesseract.Read(pdfInput);Imports IronOcr
Imports System.Collections.Generic
' Instanciar IronTesseract
Private ocrTesseract As New IronTesseract()
' Crear lista de índices de páginas
Private pageIndices As New List(Of Integer)() From {0, 2}
' Añadir PDF
Private pdfInput = New OcrPdfInput("Potter.pdf", PageIndices:= pageIndices)
' Realizar OCR
Private ocrResult As OcrResult = ocrTesseract.Read(pdfInput)Especificar región de exploración
Al acotar el área de lectura, puede aumentar considerablemente la eficacia de la lectura. Para ello, puede especificar la región concreta del PDF importado que debe leerse. En el siguiente ejemplo de código, he ordenado a IronOcr que se centre únicamente en extraer el número de capítulo y el título.
:path=/static-assets/ocr/content-code-examples/how-to/input-pdfs-read-specific-region.csusing IronOcr;
using IronSoftware.Drawing;
using System;
// Instanciar IronTesseract
IronTesseract ocrTesseract = new IronTesseract();
// Especifique las regiones de cultivo
Rectangle[] scanRegions = { new Rectangle(550, 100, 600, 300) };
// Añadir PDF
using (var pdfInput = new OcrPdfInput("Potter.pdf", ContentAreas: scanRegions))
{
// Realizar OCR
OcrResult ocrResult = ocrTesseract.Read(pdfInput);
// Envía el resultado a la consola
Console.WriteLine(ocrResult.Text);
}Imports IronOcr
Imports IronSoftware.Drawing
Imports System
' Instanciar IronTesseract
Private ocrTesseract As New IronTesseract()
' Especifique las regiones de cultivo
Private scanRegions() As Rectangle = { New Rectangle(550, 100, 600, 300) }
' Añadir PDF
Using pdfInput = New OcrPdfInput("Potter.pdf", ContentAreas:= scanRegions)
' Realizar OCR
Dim ocrResult As OcrResult = ocrTesseract.Read(pdfInput)
' Envía el resultado a la consola
Console.WriteLine(ocrResult.Text)
End UsingResultado OCR
