Lectura de documentos escaneados en C# con IronOCR

¿Cómo extraer texto de documentos escaneados?

Para extraer texto de todas las imágenes dentro de un documento, use el método ReadDocument. Este método procesa el documento y devuelve un objeto que contiene el texto extraído, al que se puede acceder a través de la propiedad Text. El ejemplo a continuación muestra cómo usar este método con un archivo TIFF de ejemplo.

IronOCR es compatible con una amplia variedad de formatos de documentos para escanear. En cuanto a las imágenes, se puede trabajar con los formatos JPG, PNG, GIF, TIFF y BMP, mientras que la compatibilidad con PDF incluye tanto documentos de una sola página como de varias. La biblioteca utiliza la avanzada tecnología Tesseract 5 para garantizar una gran precisión en todos los formatos compatibles.

[{i:(

• El método actualmente solo funciona para inglés, chino, japonés, coreano y alfabeto latino.
• Usar escaneo avanzado en .NET Framework requiere que el proyecto se ejecute en arquitectura x64.
  @@--CIERRE DE SOPORTE--@@

: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)

Opciones avanzadas de procesamiento de documentos

Cuando se trabaja con documentos escaneados, a menudo se necesita un mayor control sobre el proceso de OCR. IronOCR ofrece varias funciones avanzadas para mejorar los resultados de extracción de texto.

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}");
}

IRON VB CONVERTER ERROR developers@ironsoftware.com

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);

IRON VB CONVERTER ERROR developers@ironsoftware.com

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");

IRON VB CONVERTER ERROR developers@ironsoftware.com

Trabajar con diferentes tipos de documentos

IronOCR destaca en el procesamiento de varios tipos de documentos que se encuentran habitualmente en entornos empresariales. Ya se trate de facturas, contratos o documentos históricos, la biblioteca ofrece funciones especializadas para extraer datos de distintas fuentes.

Prácticas recomendadas para la digitalización de documentos

Lograr resultados óptimos al procesar documentos escaneados:

1. Calidad del escaneado: Utilice una resolución mínima de 300 DPI para obtener los mejores resultados
2. Formato de archivo: Los formatos TIFF y PNG conservan mejor la calidad que JPEG para los documentos de texto
3. Preprocesamiento: Aplica los filtros adecuados en función del estado del documento
4. Rendimiento: Para grandes lotes, considere el uso de capacidades multihilo

Solución de problemas comunes

Cuando se trabaja con documentos escaneados, pueden surgir varios problemas. A continuación se ofrecen soluciones a problemas comunes:

• Escaneados de baja calidad: Aplica filtros de mejora antes del procesamiento OCR
• Documentos sesgados: Utiliza el método Deskew() para corregir la orientación
• Contenido mixto: Procesar regiones específicas si los documentos contienen elementos textuales y no textuales

Para obtener una guía más detallada, explore nuestro tutorial completo de OCR en C# o consulte ejemplos sencillos de OCR para empezar rápidamente.

Próximos pasos

Ahora que ya sabes cómo extraer texto de documentos escaneados, puedes explorar funciones más avanzadas como hacer que cualquier PDF sea consultable o procesar corrientes PDF para aplicaciones web. La flexibilidad de IronOCR lo hace adecuado para todo, desde la simple digitalización de documentos hasta complejos flujos de trabajo de procesamiento de documentos empresariales.