Lire des documents numérisés en C#35 ; en utilisant IronOcr

Comment extraire du texte à partir de documents numérisés?

Pour extraire le texte de toutes les images d'un document, utilisez la méthode ReadDocument . Cette méthode traite le document et renvoie un objet contenant le texte extrait, auquel on peut accéder par l'intermédiaire de la propriété Text. L'exemple ci-dessous illustre comment utiliser cette méthode avec un fichier TIFF .

IronOCR prend en charge une grande variété de formats de documents à numériser. Pour les images, vous pouvez travailler avec les formats JPG, PNG, GIF, TIFF et BMP, tandis que la prise en charge des PDF comprend à la fois les documents simples et multi-pages. La bibliothèque utilise la technologie avancée Tesseract 5 pour garantir une grande précision dans tous les formats pris en charge.

[{i:(

• Cette méthode ne fonctionne actuellement que pour l'anglais, le chinois, le japonais, le coréen et l'alphabet latin.
• L'utilisation de l'analyse avancée sur .NET Framework nécessite que le projet s'exécute sur une architecture x64.
  @@--BRACKET-FERMETURE--@@

: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)

Options de traitement avancé des documents

Lorsque vous travaillez avec des documents numérisés, vous avez souvent besoin de mieux contrôler le processus d'OCR. IronOcr propose plusieurs fonctionnalités avancées pour améliorer vos résultats d'extraction de texte.

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

Travailler avec différents types de documents

IronOCR excelle dans le traitement de divers types de documents couramment rencontrés dans les environnements professionnels. Qu'il s'agisse de factures, de contrats ou de documents historiques, la bibliothèque propose des fonctionnalités spécialisées pour l'extraction de données à partir de différentes sources.

Bonnes pratiques pour la numérisation de documents

Pour obtenir des résultats optimaux lors du traitement de documents numérisés :

1. Qualité de la numérisation : Utilisez une résolution minimale de 300 DPI pour obtenir les meilleurs résultats
2. <Format de fichier : Les formats TIFF et PNG préservent mieux la qualité que le format JPEG pour les documents textuels
3. Prétraitement : Appliquer les filtres appropriés en fonction de l'état de votre document
4. Performance : Pour les lots importants, envisagez d'utiliser les capacités de multithreading

Résolution des problèmes courants

Lorsque vous travaillez avec des documents numérisés, vous pouvez être confronté à différents défis. Voici des solutions à des problèmes courants :

• Scans de mauvaise qualité : Appliquer des filtres d'amélioration avant le traitement OCR
• Documents tronqués : Utilisez la méthode Deskew() pour corriger l'orientation
• Contenu mixte : Traiter des régions spécifiques si les documents contiennent à la fois des éléments textuels et non textuels

Pour des conseils plus détaillés, explorez notre tutoriel complet sur la ROC en C# ou consultez des exemples simples de ROC pour commencer rapidement.

Prochaines étapes

Maintenant que vous savez comment extraire du texte à partir de documents numérisés, vous pouvez explorer des fonctionnalités plus avancées, comme rendre n'importe quel PDF consultable ou traiter des flux PDF pour des applications web. La flexibilité d'IronOCR lui permet de s'adapter à toutes les situations, de la simple numérisation de documents aux flux de traitement de documents d'entreprise complexes.