C#으로 PDF에서 OCR을 수행하는 방법: .NET 을 사용하여 스캔한 문서에서 텍스트 추출

C#에서 PDF에 대한 OCR은 어떻게 수행합니까?

가장 빠른 .NET 내 PDF 텍스트 추출 경로는 IronOCR을 NuGet을 통해 설치하는 것으로 시작합니다. 프로젝트 디렉터리에서 터미널을 열고 다음을 실행하십시오:

dotnet add package IronOcr

dotnet add package IronOcr

패키지를 설치한 후, 다음 최상위 메뉴 프로그램은 스캔된 PDF를 읽고 추출된 텍스트를 출력합니다:

using IronOcr;

// Initialize the OCR engine
var ocr = new IronTesseract();

// Load the PDF and perform OCR
using var input = new OcrInput();
input.LoadPdf("scanned-report.pdf");

// Run recognition
OcrResult result = ocr.Read(input);

// Access the extracted text
string text = result.Text;
Console.WriteLine(text);

using IronOcr;

// Initialize the OCR engine
var ocr = new IronTesseract();

// Load the PDF and perform OCR
using var input = new OcrInput();
input.LoadPdf("scanned-report.pdf");

// Run recognition
OcrResult result = ocr.Read(input);

// Access the extracted text
string text = result.Text;
Console.WriteLine(text);

이 IronTesseract 클래스는 Tesseract 5를 두 .NET Core와 .NET Framework 대상 for .NET-네이티브 최적화와 함께 감쌉니다. 이 OcrInput 객체는 PDF 로딩과 내부 페이지 렌더링을 관리합니다. Read가 호출되면 OCR 프로세스가 각 페이지를 분석하고 전체 추출된 텍스트뿐만 아니라 단락, 줄, 단어 및 픽셀 좌표에 대한 구조화된 데이터를 포함한 OcrResult를 반환합니다.

결과는 텍스트 파일로 저장하거나 후속 처리 논리에 전달하거나 데이터베이스에 저장하거나 문서 인덱싱 파이프라인에 제공할 수 있습니다. 기본 엔진에 대한 추가 자료는 Tesseract OCR 문서와 IronOCR API 참조를 참조하십시오.

PDF에서 특정 페이지를 읽는 방법은?

긴 문서의 모든 페이지를 처리하는 것은 관련 콘텐츠가 포함된 특정 페이지만 있을 때 시간과 메모리를 낭비하는 것입니다. IronOCR는 0부터 시작하는 페이지 인덱스를 LoadPdf에 전달하여 특정 페이지를 대상으로 할 수 있게 합니다:

using IronOcr;
using System.Collections.Generic;

var ocr = new IronTesseract();

// Specify pages to process (zero-based: 0 = first page)
var targetPages = new List<int> { 0, 2, 4 };

using var input = new OcrInput();
input.LoadPdf("lengthy-document.pdf", pageIndices: targetPages);

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
using System.Collections.Generic;

var ocr = new IronTesseract();

// Specify pages to process (zero-based: 0 = first page)
var targetPages = new List<int> { 0, 2, 4 };

using var input = new OcrInput();
input.LoadPdf("lengthy-document.pdf", pageIndices: targetPages);

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

선택적 페이지 로딩은 처리 시간과 메모리 소비를 모두 줄여줍니다. 이는 데이터가 필요한 페이지가 몇 개만 포함된 수백 페이지의 아카이브를 작업할 때 중요합니다. 0-기반 인덱스 관례는 표준 .NET 컬렉션과 일치합니다: 페이지 인덱스 0은 문서의 첫 번째 페이지입니다.

관련 페이지가 사전에 알려지지 않은 경우, 페이지 번호를 식별하기 위해 먼저 DPI를 줄여 전체 문서 패스를 빠르게 실행하고, 그런 다음 해당 페이지에서만 전체 설정으로 다시 실행하는 것을 고려하십시오.

IronOCR 페이지 선택 문서에서 페이지 수준 제어에 대해 더 알아보십시오.

페이지의 특정 영역에서 데이터를 추출하는 방법은?

청구서 처리, 양식 디지털화 및 구조화된 문서 파싱은 종종 전체 페이지를 스캔하기보다는 정의된 영역에서 텍스트를 추출해야 합니다. IronOCR는 각 페이지의 어느 부분을 분석할 것인지를 지정하는 Rectangle 객체 배열을 수락하는 ContentAreas 매개변수를 통해 영역 대상 OCR을 지원합니다:

using IronOcr;
using IronSoftware.Drawing;

var ocr = new IronTesseract();

// Define the scan region: X, Y, Width, Height (all in pixels from top-left)
var invoiceFields = new Rectangle[]
{
    new Rectangle(130, 290, 250, 50)   // Invoice number field
};

using var input = new OcrInput();
input.LoadPdf("invoice.pdf", contentAreas: invoiceFields);

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
using IronSoftware.Drawing;

var ocr = new IronTesseract();

// Define the scan region: X, Y, Width, Height (all in pixels from top-left)
var invoiceFields = new Rectangle[]
{
    new Rectangle(130, 290, 250, 50)   // Invoice number field
};

using var input = new OcrInput();
input.LoadPdf("invoice.pdf", contentAreas: invoiceFields);

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

이 Rectangle 생성자는 네 개의 정수 매개변수를 취합니다: X 좌표, Y 좌표, 너비 및 높이는 모두 렌더링된 페이지의 왼쪽 상단 모서리로부터 픽셀 단위로 측정됩니다. 전체 페이지가 아닌 작은 영역을 타겟팅함으로써 OCR 시간과 엔진이 주변의 잡음이나 관련 없는 텍스트 필드를 인식할 확률을 모두 줄일 수 있습니다.

배치 송장 처리 워크플로를 위해, 수백 개의 문서에서 동일한 필드 위치에서 구조화된 데이터를 추출하기 위해 result.Pages 위에 반복과 영역 추출을 결합합니다. 각 페이지 결과는 콘텐츠 영역에 대해 인식한 텍스트를 독립적으로 공개합니다.

IronOCR 콘텐츠 영역 예제는 다중 영역 시나리오에 대한 추가 구성 옵션을 제공합니다.

스캔된 문서의 OCR 정확도를 향상시키는 방법은?

현실 세계의 스캔된 문서는 종종 품질 문제를 가지고 도착합니다: 페이지가 비뚤어진 경우, 낮은 해상도 또는 스캔 하드웨어나 소프트웨어에 의해 유입된 디지털 노이즈. IronOCR은 인식 엔진이 실행되기 전에 이러한 문제를 수정하는 이미지 사전 처리 필터를 포함합니다:

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
// Load PDF at higher DPI for improved text recognition on small fonts
input.LoadPdf("poor-quality-scan.pdf", dpi: 300);

// Apply image correction filters
input.Deskew();    // Automatically straighten rotated pages
input.DeNoise();   // Remove scanning artifacts and speckles

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
// Load PDF at higher DPI for improved text recognition on small fonts
input.LoadPdf("poor-quality-scan.pdf", dpi: 300);

// Apply image correction filters
input.Deskew();    // Automatically straighten rotated pages
input.DeNoise();   // Remove scanning artifacts and speckles

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

이 dpi 매개변수는 인식이 실행되기 전에 PDF 페이지가 렌더링되는 해상도를 제어합니다. 높은 값 (200 ~ 300 DPI)은 작은 글씨나 밀도가 높은 텍스트를 가진 문서의 정확성을 향상시키지만, 처리 중 메모리를 약간 더 소모합니다. Deskew 메서드는 페이지 회전을 자동으로 감지하고 수정합니다. DeNoise는 문자 인식 단계에 혼란을 줄 수 있는 얼룩과 인공물을 제거합니다.

더 과감한 이미지 수정을 필요로 하는 문서의 경우, IronOCR는 대비 향상, 이진화(페이지를 흑백으로 변환), 그리고 크기 조정도 제공합니다. 여러 필터를 순차적으로 조합하여, 그렇지 않으면 엉망이 될 스캔에서 사용 가능한 텍스트를 복원할 수 있습니다. IronOCR 이미지 필터 참조를 검토하여 사용 가능한 전처리 작업의 전체 목록을 확인하십시오.

암호 보호 및 다중 형식 문서는 어떻게 처리합니까?

IronOCR는 표준 PDF 파일에 국한되지 않습니다. 라이브러리는 문서 처리 워크플로에서 자주 나타나는 다양한 입력 시나리오를 처리합니다.

암호로 보호된 PDF는 입력 생성 시 자격 증명을 전달하여 지원됩니다:

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("protected.pdf", password: "secret123");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("protected.pdf", password: "secret123");

OcrResult result = ocr.Read(input);
Console.WriteLine(result.Text);

이미지 형식 -- PNG, JPEG, TIFF, BMP, GIF, 멀티페이지 TIFF -- 이는 해당하는 LoadImage 또는 LoadImageFrames 메서드로 로드됩니다. 입력 형식에 관계없이 동일한 전처리 필터와 영역 타겟팅 옵션이 적용됩니다.

다국어 문서는 IronOCR의 언어 팩 시스템을 통해 처리됩니다. 이 라이브러리는 기본적으로 영어와 함께 제공되며 라틴어, 키릴어, CJK, 아랍어 및 기타 스크립트를 포함한 125개 이상의 추가 언어 팩을 지원합니다. Read을 호출하기 전에 추가 언어를 로드합니다:

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.German;

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.German;

같은 페이지에 여러 언어가 혼합된 문서의 경우, MultiLanguage 모드를 사용할 수 있습니다. 이것은 특히 국제 환경에서 헤더, 항목 라인, 주소가 다른 언어로 나타날 수 있는 송장 처리에 매우 유용합니다.

배포는 Windows, Linux, macOS 및 Azure와 Docker 컨테이너를 포함한 클라우드 환경에서 작동합니다.

스캔한 문서에서 검색 가능한 PDF는 어떻게 생성합니까?

IronOCR는 문자열로 텍스트를 추출하는 것을 넘어서서, 원본 스캔 이미지를 시각적 레이어로 보존하고 검색 및 복사 작업을 위해 보이지 않는 텍스트 레이어를 내장하는 검색 가능한 PDF 출력을 생성할 수 있습니다. 이는 전문 문서 스캐너에서 생성되는 표준 형식입니다.

IronOCR 검색 가능한 PDF 기능은 OcrResult를 수용하고 새 PDF 파일을 작성합니다:

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("scanned-archive.pdf");

OcrResult result = ocr.Read(input);

// Save as a searchable PDF
result.SaveAsSearchablePdf("output-searchable.pdf");

using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("scanned-archive.pdf");

OcrResult result = ocr.Read(input);

// Save as a searchable PDF
result.SaveAsSearchablePdf("output-searchable.pdf");

출력 파일은 모든 PDF 리더에서 열 수 있습니다. 텍스트 선택, 검색, 복사 작업은 원본 스캔 외관을 보존하면서 내장된 텍스트 레이어에서 수행됩니다. 이 형식은 일반적으로 규정 준수 아카이브, 법률 문서 저장소 및 기업 콘텐츠 관리 시스템에 필요합니다.

추가 출력 형식의 경우, OcrResult 객체는 페이지마다 신뢰도 점수, 단어 수준의 경계 상자 및 구조화된 단락 데이터를 노출합니다 -- 이는 후속 분류 또는 색인 작업에 유용합니다.

텍스트와 함께 바코드 및 QR 코드는 어떻게 읽습니까?

문서 처리 파이프라인은 종종 같은 문서에서 인간이 읽을 수 있는 텍스트와 기계가 읽을 수 있는 코드를 모두 추출해야 합니다. IronOCR는 별도의 라이브러리 없이 같은 OCR 패스에서 바코드 및 QR 코드를 탐지하고 디코딩할 수 있습니다.

IronTesseract 인스턴스에서 바코드 읽기를 활성화한 후 처리합니다:

using IronOcr;

var ocr = new IronTesseract();
ocr.Configuration.ReadBarCodes = true;

using var input = new OcrInput();
input.LoadPdf("shipment-labels.pdf");

OcrResult result = ocr.Read(input);

// Access recognized text
Console.WriteLine(result.Text);

// Access barcode data
foreach (var barcode in result.Barcodes)
{
    Console.WriteLine($"Type: {barcode.Format}, Value: {barcode.Value}");
}

using IronOcr;

var ocr = new IronTesseract();
ocr.Configuration.ReadBarCodes = true;

using var input = new OcrInput();
input.LoadPdf("shipment-labels.pdf");

OcrResult result = ocr.Read(input);

// Access recognized text
Console.WriteLine(result.Text);

// Access barcode data
foreach (var barcode in result.Barcodes)
{
    Console.WriteLine($"Type: {barcode.Format}, Value: {barcode.Value}");
}

이는 특히 배송 레이블 처리, 재고 관리, 그리고 바코드와 인쇄된 텍스트가 스캔 문서에 함께 나타나는 모든 워크플로에 유용합니다. IronOCR 바코드 읽기 가이드는 Code 128, QR 코드, Data Matrix, 그리고 PDF417을 포함한 지원 형식을 다룹니다.

IronOCR 입력 유형의 차이점은 무엇입니까?

IronOCR는 다른 시나리오에 적합한 두 가지 주요 PDF 파일 로딩 접근 방식을 제공합니다:

대부분의 프로덕션 시나리오에서는 전체 전처리 및 구성 API를 노출하기 때문에 OcrInput.LoadPdf()가 권장되는 접근 방식입니다. 기본 설정이 충분한 경우 빠른 프로토타이핑이나 상황에는 OcrPdfInput이 적합합니다.

다음 단계는 무엇입니까?

위의 코드 예제는 C#에서 PDF OCR을 위한 핵심 IronOCR 워크플로우를 다룹니다. 다음 단계를 위한 간단한 체크리스트입니다:

• Install-Package: dotnet add package IronOcr 또는 NuGet에서 IronOcr 검색
• 기본 예제 실행: 전체 파이프라인 로직을 구축하기 전에 샘플 PDF에서 텍스트 추출을 확인합니다.
• 전처리 적용: 스캔된 문서를 다루는 경우, Deskew 및 DeNoise 호출을 추가하고 대표 샘플로 테스트합니다
• 추가 기능 탐색: 검색 가능한 PDF 출력, 바코드 읽기, 다국어 지원 및 구조적 데이터 출력
• 배포 지침 검토: Azure, Docker, Linux 배포 기사는 환경별 구성을 다룹니다.
• 무료 체험판 시도: 무료 체험 시작하여 라이선스 결정을 내리기 전에 전체 기능 세트를 테스트합니다.
• 라이선스 획득: IronOCR 라이선싱 옵션은 개인 개발자에서 기업 배포까지, 로열티 없는 재배포를 포함합니다.

특정 사용 사례에 대한 질문은 IronOCR 도움말 라이브러리에서 수십 개의 시나리오를 다루는 단계별 기사를 제공합니다. 전체 API 표면은 IronOCR API 참조에 문서화되어 있습니다.