C#でPDFを読む方法 with IronOCR

DPI設定はいつ調整すべきですか?

低解像度のスキャン文書や小さなテキストを含むPDFを扱う場合、DPI（Dots Per Inch）設定が重要になります。 最適な結果を得るには、DPI設定を調整することを検討してください：

• 200 DPI以下のスキャン文書での作業
• 歴史的またはアーカイブPDFの処理
• 複雑なレイアウトや小さなフォントへの対応
• デフォルト設定での精度の問題

ほとんどのOCR処理では300DPIを推奨しますが、非常に小さなテキストや複雑な細部が含まれる文書では600DPIが必要になる場合があります。

IronOCRはPDF以外にどのようなファイル形式をサポートしていますか?

IronOCRはPDF以外にも多くのファイル形式を包括的にサポートしています。 さまざまな形式の画像を処理できます：

• 標準的な写真のJPEG/JPG
• 透過画像用PNG
• 複数ページのドキュメントにはTIFF
• 非圧縮画像用BMP
• シンプルなグラフィックのためのGIF

さらに、IronOCRはPDFストリームをメモリから直接扱うことができ、ウェブアプリケーションやクラウドサービスに適しています。

PDFコンテンツタイプで作業する

PDFを処理する際、コンテンツタイプを指定することでパフォーマンスを最適化することができます。 PdfContents列挙型を使用すると、特定のコンテンツをターゲットにすることができます：

// For text-only PDFs (faster processing)
var textOnlyPdf = new OcrPdfInput("document.pdf", PdfContents.Text);

// For image-only PDFs (scanned documents)
var imageOnlyPdf = new OcrPdfInput("scanned.pdf", PdfContents.Images);

// For mixed content (default)
var mixedPdf = new OcrPdfInput("mixed.pdf", PdfContents.TextAndImages);

// For text-only PDFs (faster processing)
var textOnlyPdf = new OcrPdfInput("document.pdf", PdfContents.Text);

// For image-only PDFs (scanned documents)
var imageOnlyPdf = new OcrPdfInput("scanned.pdf", PdfContents.Images);

// For mixed content (default)
var mixedPdf = new OcrPdfInput("mixed.pdf", PdfContents.TextAndImages);

なぜページ番号はゼロから始まるのですか

ゼロベース・インデックスは、C#やほとんどのプログラミング言語の標準的な規約です。 つまり、1ページ目はインデックス0、2ページ目はインデックス1、といった具合です。 この配列インデックスとの一貫性により、開発者はプログラムでページ・コレクションを扱うことが容易になります。 人間が読めるページ番号（1、2、3...）からインデックスに変換する場合は、単純にページ番号から1を引いてください。

連続しないページを読むにはどうすればよいですか?

IronOCRを使えば、連続しないページも簡単に読むことができます。 ご希望のページインデックスをリストに追加してください。 例えば：

// Read pages 1, 3, 5, and 10 (using zero-based indices)
List<int> pageIndices = new List<int>() { 0, 2, 4, 9 };

// Or use LINQ for range-based selection
var evenPages = Enumerable.Range(0, 10).Where(x => x % 2 == 0).ToList();

// Read pages 1, 3, 5, and 10 (using zero-based indices)
List<int> pageIndices = new List<int>() { 0, 2, 4, 9 };

// Or use LINQ for range-based selection
var evenPages = Enumerable.Range(0, 10).Where(x => x % 2 == 0).ToList();

OCRエンジンは、指定されたページのみを処理し、大規模な文書のパフォーマンスを大幅に向上させます。

無効なページ番号を指定するとどうなりますか?

文書のページ数を超えるページインデックスを指定した場合、IronOCRは例外をスローします。 エラー処理を実装したり、処理前にページ数を検証したりすること。 インデックスが有効であることを確認するために、OCRを実行する前にPDFの総ページ数をチェックすることができます。

正しい矩形座標を決定するにはどうすればよいですか?

正しい座標を見つけるには、PDFの座標系を理解する必要があります。 Rectangleコンストラクタは4つのパラメータを取ります：X（水平位置）、Y（垂直位置）、Width、Heightです。 単位はすべてピクセルです。 定規機能を持つPDFビューアやデバッグユーティリティのようなツールは、正確な座標を特定するのに役立ちます。 また、試行錯誤を繰り返し、少しずつ調整しながら、選択範囲を絞り込んでください。

より正確な領域の定義のために、highlight texts for debugging 機能を利用して、処理されている領域を視覚化することができます。

1回の操作で複数のリージョンを指定できますか?

はい、IronOCRは一回のOCR操作で複数のリージョンをサポートします。 複数の Rectangle オブジェクトを配列に追加するだけです：

Rectangle[] scanRegions = { 
    new Rectangle(50, 50, 200, 100),    // Header region
    new Rectangle(50, 200, 500, 300),   // Main content region
    new Rectangle(50, 550, 200, 50)     // Footer region
};

Rectangle[] scanRegions = { 
    new Rectangle(50, 50, 200, 100),    // Header region
    new Rectangle(50, 200, 500, 300),   // Main content region
    new Rectangle(50, 550, 200, 50)     // Footer region
};

各地域は別々に処理され、結果は指定された順序で結合されます。

なぜ全ページではなく、地域固有の OCR を使用するのですか?

地域固有のOCRには、いくつかの利点があります：

• パフォーマンス：小さな領域の処理が大幅に高速化
• 正確さ：特定の領域に焦点を当てることで、無関係なコンテンツによるノイズを低減します。
• 構造: フォームやテーブルからデータをより確実に抽出する
• コスト効率：処理時間の短縮は、計算コストの削減を意味します。

このアプローチは、請求書、フォーム、レポートなど、データが予測可能な場所に表示される構造化されたドキュメントを扱う場合に特に有効です。 複雑な文書構造については、文書内のテーブルを読むで、特殊なテーブル抽出テクニックを調べてください。

複雑なPDFシナリオを処理する

IronOCRは、困難なPDF文書を扱う際、いくつかの高度な機能を提供します：

1.画像前処理：画像フィルタを適用して、テキストを明瞭にします。 2.複数の言語：複数の言語を含む文書を同時に処理します。 3.カスタム設定：特定のドキュメントタイプ用に OCR 設定を微調整します。 4.エクスポートオプション：検索可能なPDFやhOCR HTMLを含むさまざまな形式で結果を保存します。

これらの機能により、IronOCRは企業レベルのPDF処理に必要な包括的なソリューションとなります。