PDFをOCRする方法：C# .NET OCR PDFでスキャン文書からテキストを抽出する

どのように C# で PDF に OCR を実行できますか?

まず、NuGetパッケージマネージャ経由でIronOCRライブラリをインストールし、この強力なOCRエンジンをシステムに追加します：

Install-Package IronOcr

次の例は、PDFファイルを読み込んで、スキャンした文書全体からテキストを認識する方法を示しています：

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);

IronTesseractクラスは主要なOCRエンジンとして機能し、Tesseract 5を.NET Coreと.NET Frameworkアプリケーション用に最適化しています。 OcrPdfInputオブジェクトは、PDFの読み込みとページのレンダリングを内部で処理するため、手動で画像フォーマットを変換する必要がありません。 Readメソッドを呼び出すと、OCRプロセスは各ページを分析し、段落、行、単語、およびそれらの位置に関する構造化されたデータとともに、抽出されたテキストを文字列として含むOcrResultを返します。 ユーザーは、出力をTXTファイル、ターゲットフォルダ、Word文書に保存したり、APIを使用してデータをさらに処理することができます。

PDFから特定のページを読むにはどうすればよいですか?

必要なページだけをターゲットにすれば、大規模なテキスト文書の処理も効率的になります。 スキャンしたPDFページを選択的に変換するために、PageIndicesパラメータにページインデックスのリストを渡します：

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);

IronOCRはゼロベース・インデックスを使用しているため、ページ0はPDFドキュメントの最初のページを表します。 この選択的なアプローチにより、特定のセクションにのみ検索可能な関連データが含まれる複数ページのスキャン文書を処理する際の処理時間とメモリ消費量が削減されます。

特定の地域からデータを抽出するにはどうすればよいですか?

請求書処理、フォームのデジタル化、ドキュメントの解析では、ページ全体ではなく、定義された領域からテキストを抽出する必要があります。 この OCR ツールでは、ContentAreas パラメータを使用してターゲット スキャンを作成できます：

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);

Rectangleコンストラクタは、4つのパラメータを受け入れます：X位置、Y位置、幅、高さです。すべて、ページの左上隅からピクセル単位で測定されます。 このターゲットテキスト認識アプローチでは、OCRエンジンが無関係な背景要素を処理するのではなく、特定のコンテンツ領域に集中することで、速度と精度の両方が劇的に向上します。 請求書のバッチ処理では、領域抽出と結果ページの反復を組み合わせて、複数のPDFファイルから編集可能な構造化データを構築します。

スキャンしたドキュメントの OCR 精度を向上させるには?

実際にスキャンされた紙文書は、ページの傾きや解像度の低さ、スキャンソフトウェアによるデジタルノイズなど、品質に問題があることがよくあります。 IronOCRには、これらの課題に対処し、画質の問題を正確なテキスト変換に変換するための前処理フィルターが含まれています：

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);

DPIパラメータは、OCR処理の前にPDFページがレンダリングされる解像度を制御します。 Deskewメソッドはページの回転を自動的に検出して修正し、DeNoiseは光学式文字認識（OCR）の妨げとなる斑点やアーチファクトを除去します。 IronOCRはコントラスト強調、二値化、その他の画質編集ツールを提供します。

この.NET OCRライブラリは、入力構築時に認証情報を受け付けることで、パスワードで保護されたPDF文書も処理します。 このソフトウェアは、125以上の言語パックをサポートしており、国際文書のOCRが可能です。 IronOCRは標準的なPDFファイル以外にも、PNG、TIFF（マルチページTIFFを含む）、その他の画像フォーマットのファイルを処理することができます。 Windows、Linux、macOS、およびAzureやDockerコンテナを含むクラウドプラットフォーム上でシームレスに動作します。

結論

IronOCRはPDFのテキスト抽出という複雑な作業を簡単な操作に変えます。 基本的な文書の読み取りから、ターゲット領域の抽出、困難なスキャン画像の前処理まで、このOCRライブラリは、.NET Coreと.NET Frameworkで動作するクリーンなC# APIを公開しながら、技術的な複雑さを処理します。

上記のコード例はコア機能を示していますが、IronOCRはバーコードやQRコードの読み取り、スキャンしたPDFファイルを編集可能な検索可能ドキュメントに変換する検索可能PDFの作成、信頼度スコアやテキストの位置決めを含む構造化データの出力など、さらに拡張しています。 高度な実装のための完全なAPIリファレンスを検索するか、トライアル中に無料のプロバージョンの機能をお試しください。

ライセンスを購入する .NETアプリケーションの本番環境にIronOCRを導入する、またはプロジェクトに特化したガイダンスについてはエンジニアリング・チームとチャットしてください。

.NETアプリケーションでOCRを実行する準備はできましたか？ 無料トライアルで全機能を確認し、SDKをダウンロードしてください。