Odczytywanie zeskanowanych dokumentów w języku C# przy użyciu IronOCR

Jak wyodrębnić tekst ze skanowanych dokumentów?

Aby wyodrębnić tekst ze wszystkich obrazów w dokumencie, użyj metody ReadDocument. Ta metoda przetwarza dokument i zwraca obiekt zawierający wyodrębniony tekst, do którego można uzyskać dostęp za pośrednictwem właściwości Text. Poniższy przykład pokazuje, jak użyć tej metody na pliku .

IronOCR obsługuje szeroką gamę formatów dokumentów do skanowania. W przypadku obrazów można pracować z formatami JPG, PNG, GIF, TIFF i BMP, natomiast obsługa plików PDF obejmuje zarówno dokumenty jedno-, jak i wielostronicowe. Biblioteka wykorzystuje zaawansowaną technologię Tesseract 5, aby zapewnić wysoką dokładność we wszystkich obsługiwanych formatach.

• Metoda ta działa obecnie tylko w przypadku języków angielskiego, chińskiego, japońskiego, koreańskiego oraz alfabetu łacińskiego.
• Korzystanie z zaawansowanego skanowania w środowisku .NET Framework wymaga, aby projekt działał na architekturze x64.
  )}]

: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)

Zaawansowane opcje przetwarzania dokumentów

Podczas pracy ze skanowanymi dokumentami często potrzebna jest większa kontrola nad procesem OCR. IronOCR oferuje kilka zaawansowanych funkcji, które poprawiają wyniki ekstrakcji tekstu.

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}");
}

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()

    ' Load a multi-page PDF
    input.LoadPdf("multi-page-document.pdf")

    ' Process all pages
    Dim result As OcrResult = ocr.ReadDocument(input)

    ' Access individual page results
    For Each page In result.Pages
        Console.WriteLine($"Page {page.PageNumber}: {page.Text}")
    Next

End Using

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);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As 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

    Dim result As OcrResult = ocr.ReadDocument(input)
End Using

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");

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    input.LoadPdf("scanned-document.pdf")

    ' Process and save as searchable PDF
    Dim result As OcrResult = ocr.ReadDocument(input)
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

Praca z różnymi typami dokumentów

IronOCR doskonale radzi sobie z przetwarzaniem różnych typów dokumentów powszechnie spotykanych w środowiskach biznesowych. Niezależnie od tego, czy masz do czynienia z fakturami, umowami czy dokumentami historycznymi, biblioteka oferuje specjalistyczne funkcje do pozyskiwania danych z różnych źródeł.

Najlepsze praktyki dotyczące skanowania dokumentów

Aby uzyskać optymalne wyniki podczas przetwarzania zeskanowanych dokumentów:

1. Jakość skanowania: Aby uzyskać najlepsze wyniki, należy używać rozdzielczości co najmniej 300 DPI
2. Format pliku: Formaty TIFF i PNG lepiej zachowują jakość niż JPEG w przypadku dokumentów tekstowych
3. Przetwarzanie wstępne: zastosuj odpowiednie filtry w zależności od stanu dokumentu
4. Wydajność: W przypadku dużych partii warto rozważyć wykorzystanie możliwości wielowątkowości

Rozwiązywanie typowych problemów

Podczas pracy ze skanowanymi dokumentami możesz napotkać różne wyzwania. Oto rozwiązania typowych problemów:

• Skanowanie niskiej jakości: przed przetwarzaniem OCR zastosuj filtry poprawiające jakość obrazu
• Przekrzywione dokumenty: Użyj metody Deskew(), aby skorygować orientację
• Treści mieszane: przetwarzaj określone obszary, jeśli dokumenty zawierają zarówno elementy tekstowe, jak i nietekstowe

Aby uzyskać bardziej szczegółowe wskazówki, zapoznaj się z naszym obszernym samouczkiem dotyczącym OCR w języku C# lub sprawdź proste przykłady OCR, które pomogą Ci szybko rozpocząć pracę.

Kolejne kroki

Teraz, gdy już wiesz, jak wyodrębnić tekst ze skanowanych dokumentów, możesz zapoznać się z bardziej zaawansowanymi funkcjami, takimi jak umożliwienie przeszukiwania dowolnego pliku PDF lub przetwarzanie strumieni PDF dla aplikacji internetowych. Elastyczność IronOCR sprawia, że nadaje się on do wszystkiego, od prostej digitalizacji dokumentów po złożone procesy przetwarzania dokumentów w Enterprise.