Jak OCR-ować PDF w C#: Wyodrębnij tekst ze zeskanowanych dokumentów za pomocą .NET

Jak przeprowadzić OCR na pliku PDF w języku C#?

Najszybsza droga do wyodrębniania tekstu z plików PDF w środowisku .NET zaczyna się od zainstalowania IronOCR za pośrednictwem NuGet. Otwórz terminal w katalogu projektu i uruchom:

dotnet add package IronOcr

dotnet add package IronOcr

Po zainstalowaniu pakietu poniższy program z instrukcją najwyższego poziomu odczytuje zeskanowany plik PDF i drukuje wyodrębniony tekst:

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);

Imports IronOcr

' Initialize the OCR engine
Dim ocr As New IronTesseract()

' Load the PDF and perform OCR
Using input As New OcrInput()
    input.LoadPdf("scanned-report.pdf")

    ' Run recognition
    Dim result As OcrResult = ocr.Read(input)

    ' Access the extracted text
    Dim text As String = result.Text
    Console.WriteLine(text)
End Using

Klasa IronTesseract wykorzystuje Tesseract 5 z optymalizacjami natywnymi dla platformy .NET, zarówno dla środowisk .NET Core, jak i .NET Framework. Obiekt OcrInput zarządza ładowaniem plików PDF i wewnętrznym renderowaniem stron. Po wywołaniu Read proces OCR analizuje każdą stronę i zwraca OcrResult zawierający pełny wyodrębniony tekst oraz ustrukturyzowane dane dotyczące akapitów, wierszy, słów i ich współrzędnych pikselowych.

Wynik może zostać zapisany w pliku tekstowym, przekazany do dalszego przetwarzania, zapisany w bazie danych lub wprowadzony do procesu indeksowania dokumentów. Więcej informacji na temat silnika można znaleźć w dokumentacji Tesseract OCR oraz w Dokumentacji API IronOCR.

Jak odczytać konkretne strony z pliku PDF?

Przetwarzanie każdej strony długiego dokumentu powoduje stratę czasu i pamięci, gdy tylko niektóre strony zawierają istotne treści. IronOCR pozwala kierować działania na konkretne strony poprzez przekazanie indeksów stron zaczynających się od zera do LoadPdf:

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);

Imports IronOcr
Imports System.Collections.Generic

Dim ocr As New IronTesseract()

' Specify pages to process (zero-based: 0 = first page)
Dim targetPages As New List(Of Integer) From {0, 2, 4}

Using input As New OcrInput()
    input.LoadPdf("lengthy-document.pdf", pageIndices:=targetPages)

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Selektywne ładowanie stron skraca czas przetwarzania i zmniejsza zużycie pamięci, co ma znaczenie podczas pracy z archiwami liczącymi setki stron, w których tylko kilka zawiera potrzebne dane. Konwencja indeksowania od zera odpowiada standardowym kolekcjom .NET Standard: indeks strony 0 to pierwsza strona dokumentu.

W przypadku dokumentów, w których odpowiednie strony nie są znane z góry, warto najpierw przeprowadzić szybki skan całego dokumentu przy zmniejszonej rozdzielczości (DPI), aby zidentyfikować numery stron, a następnie ponownie uruchomić skanowanie z pełnymi ustawieniami tylko na tych stronach.

Dowiedz się więcej o kontroli na poziomie strony w dokumentacji dotyczącej wyboru stron w IronOCR.

Jak wyodrębnić dane z określonego obszaru strony?

Przetwarzanie faktur, digitalizacja formularzy i analizowanie dokumentów strukturalnych często wymagają wyodrębnienia tekstu z określonego obszaru, a nie skanowania całej strony. IronOCR obsługuje OCR ukierunkowane na regiony za pomocą parametru ContentAreas, który akceptuje tablicę obiektów Rectangle określających, które części każdej strony mają być analizowane:

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);

Imports IronOcr
Imports IronSoftware.Drawing

Dim ocr As New IronTesseract()

' Define the scan region: X, Y, Width, Height (all in pixels from top-left)
Dim invoiceFields As Rectangle() = {
    New Rectangle(130, 290, 250, 50)   ' Invoice number field
}

Using input As New OcrInput()
    input.LoadPdf("invoice.pdf", contentAreas:=invoiceFields)

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Konstruktor Rectangle przyjmuje cztery parametry całkowitoliczbowe: współrzędną X, współrzędną Y, szerokość i wysokość — wszystkie mierzone w pikselach od lewego górnego rogu renderowanej strony. Skupienie się na niewielkim obszarze zamiast na całej stronie skraca czas OCR i zmniejsza ryzyko, że silnik wychwyci zakłócenia z otoczenia lub niepowiązane pola tekstowe.

W przypadku procesów przetwarzania faktur w partiach należy połączyć wyodrębnianie regionów z iteracją nad result.Pages, aby pobrać dane strukturalne z tej samej pozycji pola w setkach dokumentów. Każdy wynik strony wyświetla rozpoznany tekst dla swojego obszaru treści niezależnie.

Przykład obszarów treści IronOCR zawiera dodatkowe opcje konfiguracyjne dla scenariuszy wieloregionalnych.

Jak poprawić dokładność OCR w przypadku zeskanowanych dokumentów?

W rzeczywistości zeskanowane dokumenty często mają problemy z jakością: przekrzywione strony, niską rozdzielczość lub szumy cyfrowe spowodowane przez sprzęt lub oprogramowanie skanujące. IronOCR zawiera zestaw filtrów przetwarzania wstępnego obrazów, które korygują te problemy przed uruchomieniem silnika rozpoznawania:

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);

Imports IronOcr

Dim ocr = New IronTesseract()

Using 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

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Parametr dpi kontroluje rozdzielczość, w jakiej strony PDF są renderowane przed uruchomieniem rozpoznawania. Wyższe wartości — od 200 do 300 DPI — poprawiają dokładność w przypadku dokumentów zawierających mały lub gęsty tekst, kosztem nieco większego zużycia pamięci podczas przetwarzania. Metoda Deskew automatycznie wykrywa i koryguje obrót strony. DeNoise usuwa plamki i artefakty, które mogą utrudniać rozpoznawanie znaków.

W przypadku dokumentów wymagających bardziej agresywnej korekcji obrazu, IronOCR zapewnia również poprawę kontrastu, binarizację (konwersję stron na czarno-białe) oraz regulację skali. Połączenie wielu filtrów w sekwencji pozwala odzyskać użyteczny tekst ze skanów, które w przeciwnym razie dałyby zniekształcony wynik. Zapoznaj się z dokumentacją filtrów obrazu IronOCR, aby uzyskać pełną listę dostępnych operacji przetwarzania wstępnego.

Jak radzicie sobie z dokumentami chronionymi hasłem i dokumentami w wielu formatach?

IronOCR nie ogranicza się do standardowych plików PDF. Biblioteka obsługuje szereg scenariuszy wejściowych, które często pojawiają się w procesach przetwarzania dokumentów.

Pliki PDF chronione hasłem są obsługiwane poprzez przekazanie danych uwierzytelniających podczas tworzenia danych wejściowych:

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);

Imports IronOcr

Dim ocr As New IronTesseract()

Using input As New OcrInput()
    input.LoadPdf("protected.pdf", password:="secret123")

    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

Formaty obrazów — PNG, JPEG, TIFF, BMP, GIF i wielostronicowy TIFF — są ładowane za pomocą odpowiednich metod LoadImage lub LoadImageFrames. Niezależnie od formatu danych wejściowych obowiązują te same filtry przetwarzania wstępnego i opcje kierowania regionalnego.

Dokumenty wielojęzyczne są obsługiwane przez system pakietów językowych IronOCR. Biblioteka jest domyślnie dostarczana w języku angielskim i obsługuje ponad 125 dodatkowych pakietów językowych obejmujących alfabet łaciński, cyrylicę, CJK, arabski i inne skrypty. Załaduj dodatkowe języki przed wywołaniem Read:

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

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

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.German

W przypadku dokumentów zawierających wiele języków na tej samej stronie dostępny jest tryb MultiLanguage. Jest to szczególnie cenne w przypadku przetwarzania faktur w środowiskach międzynarodowych, gdzie nagłówki, pozycje i adresy mogą występować w różnych językach.

Wdrożenie działa w systemach Windows, Linux, macOS oraz w środowiskach chmurowych, w tym w kontenerach Azure i Docker.

Jak tworzyć pliki PDF z możliwością wyszukiwania na podstawie zeskanowanych dokumentów?

Oprócz wyodrębniania tekstu do ciągów znaków, IronOCR może generować pliki PDF z możliwością wyszukiwania — pliki PDF, w których oryginalny zeskanowany obraz jest zachowany jako warstwa wizualna, a niewidoczna warstwa tekstowa jest osadzona w celu umożliwienia operacji wyszukiwania i kopiowania. Jest to standardowy format generowany przez profesjonalne skanery dokumentów.

Funkcja IronOCR umożliwiająca przeszukiwanie plików PDF akceptuje OcrResult i zapisuje nowy plik 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");

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");

Imports IronOcr

Dim ocr As New IronTesseract()

Using input As New OcrInput()
    input.LoadPdf("scanned-archive.pdf")

    Dim result As OcrResult = ocr.Read(input)

    ' Save as a searchable PDF
    result.SaveAsSearchablePdf("output-searchable.pdf")
End Using

Plik wyjściowy można otworzyć w dowolnym programie do przeglądania plików PDF. Operacje zaznaczania, wyszukiwania i kopiowania tekstu działają na osadzonej warstwie tekstowej, przy czym zachowany jest oryginalny wygląd skanu. Ten format jest powszechnie wymagańy w archiwach zgodności, repozytoriach dokumentów prawnych oraz systemach zarządzania treścią w Enterprise.

W przypadku dodatkowych formatów wyjściowych obiekt OcrResult udostępnia również wyniki pewności dla poszczególnych stron, ramki ograniczające na poziomie słów oraz ustrukturyzowane dane akapitów — wszystko to przydatne w dalszych zadaniach klasyfikacji lub indeksowania.

Jak odczytywać kody BarCode i kody QR obok tekstu?

Procesy przetwarzania dokumentów często wymagają wyodrębnienia zarówno tekstu czytelnego dla człowieka, jak i kodów czytelnych dla maszyn z tego samego dokumentu. IronOCR może wykrywać i dekodować kody kreskowe oraz kody QR podczas tego samego przebiegu OCR, bez konieczności korzystania z oddzielnej biblioteki.

Włącz odczyt BARCODE na instancji IronTesseract przed przetwarzaniem:

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}");
}

Imports IronOcr

Dim ocr As New IronTesseract()
ocr.Configuration.ReadBarCodes = True

Using input As New OcrInput()
    input.LoadPdf("shipment-labels.pdf")

    Dim result As OcrResult = ocr.Read(input)

    ' Access recognized text
    Console.WriteLine(result.Text)

    ' Access barcode data
    For Each barcode In result.Barcodes
        Console.WriteLine($"Type: {barcode.Format}, Value: {barcode.Value}")
    Next
End Using

Jest to szczególnie przydatne w przypadku przetwarzania etykiet wysyłkowych, zarządzania zapasami oraz wszelkich procesów, w których BARCODES i drukowany tekst pojawiają się razem na skanowanych dokumentach. Przewodnik po odczytywaniu kodów kreskowych IronOCR obejmuje obsługiwane formaty, w tym Code 128, kody QR, Data Matrix i PDF417.

Jaka jest różnica między typami danych wejściowych IronOCR?

IronOCR oferuje dwa główne sposoby ładowania plików PDF, z których każdy jest dostosowany do różnych scenariuszy:

W większości scenariuszy produkcyjnych zalecanym podejściem jest OcrInput.LoadPdf(), ponieważ udostępnia ono pełny interfejs API przetwarzania wstępnego i konfiguracji. OcrPdfInput sprawdza się dobrze w przypadku szybkiego prototypowania lub sytuacji, w których wystarczają ustawienia domyślne.

Jakie są Twoje kolejne kroki?

Powyższe przykłady kodu obejmują podstawowe procesy IronOCR dotyczące OCR plików PDF w języku C#. Oto krótka lista kontrolna, która pomoże Ci przejść do kolejnego etapu:

• Zainstaluj pakiet: dotnet add package IronOcr lub wyszukaj IronOcr w NuGet
• Uruchom podstawowy przykład: Sprawdź, czy udało się wyodrębnić tekst z przykładowego pliku PDF, zanim zbudujesz pełną logikę potoku
• Zastosuj przetwarzanie wstępne: w przypadku pracy ze skanowanymi dokumentami dodaj wywołania Deskew i DeNoise oraz przetestuj je na reprezentatywnych próbkach
• Poznaj dodatkowe funkcje: pliki PDF z możliwością wyszukiwania, odczyt BarCode, obsługa wielu języków oraz eksport danych strukturalnych
• Zapoznaj się z wytycznymi dotyczącymi wdrażania: artykuły dotyczące wdrażania w środowiskach Azure, Docker i Linux obejmują konfigurację specyficzną dla danego środowiska
• Wypróbuj bezpłatną wersję próbną: Rozpocznij bezpłatny okres próbny, aby przetestować pełny zestaw funkcji przed zakupem licencji
• Uzyskaj licencję: opcje licencyjne IronOCR obejmują zarówno indywidualnych programistów, jak i wdrożenia korporacyjne, z możliwością redystrybucji bez opłat licencyjnych

W przypadku pytań dotyczących konkretnych przypadków użycia biblioteka IronOCR zawiera artykuły opisujące krok po kroku dziesiątki scenariuszy. Pełna dokumentacja interfejsu API znajduje się w dokumentacji API IronOCR.