Lectura de documentos escaneados en C# con IronOCR
IronOCR permite a los desarrolladores de C# extraer texto de archivos PDF e imágenes escaneadas mediante tecnología OCR, convirtiendo documentos basados en imágenes en los que no se pueden realizar búsquedas en contenidos accesibles con sólo unas pocas líneas de código.
Muchos PDFs contienen texto basado en imágenes no buscable. IronOCR convierte todo esto en contenido que permite realizar búsquedas, lo que facilita la localización de información específica y mejora la accesibilidad de los documentos, especialmente para las personas con discapacidad visual.
En lugar de copiar o recrear manualmente texto e imágenes, la extracción automatizada garantiza precisión y eficiencia. Esto resulta especialmente útil para la investigación, los documentos jurídicos y la creación de contenidos en los que es habitual reutilizar partes específicas de PDF.
Las empresas pueden extraer datos críticos de PDFs para análisis o integración de sistemas, optimizando flujos de trabajo. Los diseñadores y mercadólogos también pueden extraer imágenes para mejorarlas y reutilizarlas en varios proyectos.
En este tutorial, exploraremos los métodos OcrPdfInput, cubriendo las opciones y parámetros disponibles para demostrar cómo IronOCR simplifica la extracción de texto e imágenes PDF para diversas aplicaciones.
Para utilizar esta función, también debe instalar el paquete IronOcr.Extensions.AdvancedScan.
Comienza en segundos; con una línea de código, cargarás tu PDF escaneado o imagen usando OcrInput.LoadPdf o LoadImage de IronOCR y extraerás instantáneamente el texto a través de ReadDocument. Perfecto para desarrolladores que quieren tener OCR funcionando rápidamente.
-
1Install IronOCR with NuGet Package Manager
-
2Copie y ejecute este fragmento de código.
var text = new IronOcr.IronTesseract().ReadDocument(new IronOcr.OcrInput().LoadPdf("scanned.pdf")).Text;C# -
3Despliegue para probar en su entorno real
Comienza a usar IronOCR en tu proyecto hoy mismo con una prueba gratuita
Flujo de trabajo mínimo (5 pasos)
- Descargue la biblioteca C# para leer documentos escaneados
- Importa el documento escaneado para su procesamiento
- Utilice el método
LoadImagepara imágenes oLoadPdfpara archivos PDF escaneados - Extraer texto usando el método
ReadDocument - Guarda o exporta el texto extraído según sea necesario para su uso posterior
¿Cómo extraer texto de documentos escaneados?
Para extraer texto de todas las imágenes dentro de un documento, utilice el método ReadDocument. Este método procesa el documento y devuelve un objeto que contiene el texto extraído, al cual se puede acceder a través de la propiedad Text. El ejemplo a continuación muestra cómo usar este método con un .
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.
- 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. )}]
¿Cómo es el documento de entrada?
¿Qué implemento en el código OCR?
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
Dim ocr As New IronTesseract()
' Configure OCR engine
Using input As New OcrInput()
input.LoadImage("potter.tiff")
' Perform OCR
Dim result As OcrResult = ocr.ReadDocument(input)
Console.WriteLine(result.Text)
End Using¿Qué resultados puedo esperar del procesamiento OCR?
Si necesita realizar OCR en un archivo PDF en su lugar, simplemente reemplace el método LoadImage con LoadPdf. Esto permite que IronOCR procese y extraiga texto de PDFs escaneados de la misma manera.
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.
Procesamiento de documentos de varias páginas
Para documentos con varias páginas, IronOCR gestiona eficazmente el procesamiento por lotes:
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.WordCount} words");
}Optimización del rendimiento del OCR
La calidad de los documentos escaneados influye directamente en la precisión del OCR. IronOCR incluye filtros de optimización de imágenes integrados para mejorar el reconocimiento de texto:
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 UsingCreación de archivos PDF con función de búsqueda
Una de las funciones más valiosas a la hora de procesar documentos escaneados es la posibilidad de crear archivos PDF con función de búsqueda. Se mantiene el aspecto del documento original al tiempo que se añade una capa de texto:
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 UsingTrabajar 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.
Procesamiento de documentos heredados
Muchas organizaciones tienen archivos de documentos escaneados en formatos antiguos. IronOCR se encarga de ello con eficacia, incluida la compatibilidad con archivos TIFF multipágina utilizados habitualmente en los sistemas de gestión de documentos.
Soporte de idiomas
Aunque este ejemplo se centra en el texto en inglés, IronOCR es compatible con más de 125 idiomas internacionales. Esto lo hace ideal para procesar documentos multilingües o en idiomas distintos del inglés.
Prácticas recomendadas para la digitalización de documentos
Lograr resultados óptimos al procesar documentos escaneados:
- Calidad de escaneo: Use una resolución mínima de 300 DPI para obtener los mejores resultados
- Formato de archivo: Los formatos TIFF y PNG preservan la calidad mejor que JPEG para documentos de texto
- Pre-procesamiento: Aplique filtros apropiados según la condición de su documento
- 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:
- Escaneos de baja calidad: Aplique filtros de mejora antes del procesamiento OCR
- Documentos sesgados: Utilice el método
Deskew()para corregir la orientación - Contenido mixto: Procese regiones específicas si los documentos contienen elementos de texto y no texto
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.
Preguntas Frecuentes
¿Cómo puedo extraer texto de un PDF escaneado en C#?
IronOCR simplifica la extracción de texto de PDF escaneados en C#. Utilice el método LoadPdf para importar el PDF escaneado y, a continuación, llame a ReadDocument para extraer el texto. Por ejemplo: var text = new IronOcr.IronTesseract().ReadDocument(new IronOcr.OcrInput().LoadPdf("scanned.pdf")).Text; Esta única línea de código carga su PDF y extrae todo el contenido de texto.
¿Qué formatos de archivo admite la biblioteca OCR para la extracción de texto?
IronOCR es compatible con una amplia gama de formatos de documentos para el escaneado OCR. Para imágenes, funciona con los formatos JPG, PNG, GIF, TIFF y BMP. En el caso de los PDF, maneja documentos de una o varias páginas. La biblioteca utiliza la avanzada tecnología Tesseract 5 para garantizar una gran precisión en todos los formatos compatibles.
¿Necesito instalar paquetes adicionales para la funcionalidad OCR?
Sí, para utilizar la funcionalidad OCR completa con IronOCR, necesita instalar el paquete IronOcr.Extensions.AdvancedScan además de la biblioteca principal IronOCR. Este paquete de extensión proporciona capacidades de escaneo mejoradas para procesar documentos escaneados.
¿Puedo extraer texto de imágenes escaneadas y de PDF?
Sí, IronOCR maneja igual de bien las imágenes escaneadas y los archivos PDF. Utilice el método LoadImage para archivos de imagen (JPG, PNG, GIF, TIFF, BMP) o LoadPdf para documentos PDF. El método ReadDocument funciona con ambos tipos de entrada para extraer el contenido de texto.
¿Cómo ayuda el OCR con los documentos PDF en los que no se pueden hacer búsquedas?
IronOCR convierte los PDF basados en imágenes que no permiten búsquedas en contenido que sí permite búsquedas extrayendo el texto mediante tecnología OCR. Esta transformación facilita la localización de información específica dentro de los documentos y mejora significativamente la accesibilidad a los mismos, especialmente para personas con discapacidad visual.
¿Cuáles son las principales aplicaciones empresariales de la extracción de texto mediante OCR?
IronOCR permite a las empresas extraer datos críticos de PDF para su análisis e integración en el sistema, agilizando los flujos de trabajo. Resulta especialmente útil para procesar documentos jurídicos y de investigación y para automatizar la introducción de datos. Los diseñadores y profesionales del marketing también pueden extraer imágenes para mejorarlas y reutilizarlas en diversos proyectos.
What does IronOCR offer for creating searchable PDFs?
With IronOCR, you can convert scanned documents into searchable PDFs by processing the document and saving it with the text layer intact, thereby maintaining its original appearance while adding search functionality.
What package is required for advanced OCR features in IronOCR?
To access advanced OCR features in IronOCR, you need to install the `IronOcr.Extensions.AdvancedScan` package, which adds additional capabilities for document processing.
What are the best practices for scanning documents for OCR processing?
For optimal OCR results, use a minimum resolution of 300 DPI, save documents in TIFF or PNG formats, apply pre-processing filters if needed, and utilize multithreading for processing large batches.
How does IronOCR handle poor quality scans?
IronOCR can improve OCR results for poor quality scans by using enhancement filters like `DeNoise` to clean up the image and `Deskew` to correct any orientation issues before processing.
Curtis Chau tiene una licenciatura en Ciencias de la Computación (Carleton University) y se especializa en el desarrollo front-end con experiencia en Node.js, TypeScript, JavaScript y React. Apasionado por crear interfaces de usuario intuitivas y estéticamente agradables, disfruta trabajando con frameworks modernos y creando manuales bien estructurados y visualmente atractivos.
