Jak używać C# do konwersji HTML na PDF i dokumentów OCR dla branży prawniczej

Iron Suite: Kompleksowy zestaw narzędzi dla programistów .NET

Iron Software's Iron Suite to kompleksowa kolekcja komponentów oprogramowania .NET zaprojektowana w celu usprawnienia procesów rozwoju i zwiększenia produktywności programistów pracujących z różnymi frameworkami .NET. Iron Software, wiodący dostawca narzędzi programistycznych .NET, oferuje Iron Suite jako kompleksowe rozwiązanie dla programistów poszukujących wysokiej jakości komponentów do zadań od manipulacji dokumentami po generowanie kodów kreskowych i nie tylko.

Sercem pakietu Iron Suite jest bogaty zestaw bibliotek i narzędzi dostosowanych do typowych wyzwań napotykanych w projektach tworzenia oprogramowania. Oto przegląd niektórych kluczowych komponentów pakietu Iron Suite:

• IronPDF: Do tworzenia, edycji i zarządzania dokumentami PDF, w tym konwersji HTML do PDF.
• IronWord: Umożliwia tworzenie i edycję plików DOC i DOCX.
• IronXL: Umożliwia bezpośrednią pracę z plikami Excel, pozwalając na odczyt, edycję i tworzenie bez konieczności korzystania z pakietu Microsoft Office lub interfejsu Excel Interop.
• IronOCR: Zapewnia funkcję optycznego rozpoznawania znaków (OCR) do wyodrębniania tekstu z obrazów w ponad 125 językach.
• IronBarcode: Umożliwia odczyt i zapis różnych formatów kodów kreskowych, w tym kodów QR.
• IronQR: Skupia się konkretnie na generowaniu, odczytywaniu i stylizowaniu kodów QR.
• IronZIP: Umożliwia kompresowanie i dekompresowanie plików w formacie ZIP.
• IronPrint: Zapewnia funkcje do zarządzania zadaniami drukowania i interakcji z drukarkami bezpośrednio z kodu .NET.
• IronWebscraper: Zaprojektowany do wydajnego pobierania danych strukturalnych ze stron internetowych.

Konwersja HTML do PDF i analiza OCR za pomocą pakietu Iron Suite

Rozważmy scenariusz, w którym masz za zadanie przetworzyć plik ZIP zawierający pliki HTML, a Twoim celem jest konwersja tych plików HTML do formatu PDF w celu późniejszej analizy OCR (optycznego rozpoznawania znaków). Aby wykonać to zadanie sprawnie i skutecznie, optymalnym rozwiązaniem jest wykorzystanie możliwości trzech podstawowych bibliotek pakietu Iron Suite. Przyjrzyjmy się pokrótce każdej z bibliotek.

Tworzenie projektu Visual Studio

Na początek utwórz nowy projekt Visual Studio dla naszego zadania automatyzacji procesów prawnych. Upewnij się, że masz skonfigurowane środowisko niezbędne do programowania w .NET. Wykonaj poniższe kroki, aby utworzyć projekt w Visual Studio:

1. Otwórz Visual Studio i kliknij opcję "Utwórz nowy projekt".

   

2. Wybierz odpowiedni szablon projektu w oparciu o swoje wymagania (np. aplikacja konsolowa, aplikacja Windows Forms).

   

3. Podaj nazwę projektu i lokalizację, a następnie kliknij "Dalej".

   

4. W sekcji "Dodatkowe informacje" wybierz najnowszą wersję .NET Framework.

   

5. Kliknij "Utwórz", aby utworzyć projekt.

Instalowanie bibliotek

Następnie zainstaluj w swoim projekcie trzy niezbędne biblioteki — IronZIP, IronPDF i IronOCR. Można to łatwo zrobić, pobierając odpowiednie pakiety ze strony internetowej Iron Software lub za pomocą Menadżera Pakietów NuGet w Visual Studio.

Kroki konwersji pliku HTML do formatu PDF

Teraz, aby łatwo zamienić HTML na PDF, a następnie przeprowadzić OCR, skonfigurowaliśmy biblioteki z Iron Suite, każda oferująca unikalne funkcje dostosowane do naszego zadania. Poniższy plik ZIP zawierający wiele plików stron internetowych w formacie HTML zostanie wykorzystany do wyodrębnienia plików HTML, a następnie konwersji plików HTML do formatu PDF w celu analizy OCR:

Plik ZIP pokazany na powyższym zrzucie ekranu zawiera 3 strony HTML z prostej witryny internetowej. Strony HTML zawierają prosty kod HTML, który zostanie przekazany do metody konwertera PDF w celu przekształcenia plików HTML w jeden dokument PDF. Następnie OCR zostanie zastosowane, aby przeanalizować elementy HTML w wygenerowanym dokumencie PDF i wypisać całą zawartość HTML w oknie konsoli.

using IronZip;
using IronPdf;
using IronOcr;

using IronZip;
using IronPdf;
using IronOcr;

Imports IronZip
Imports IronPdf
Imports IronOcr

// Extract all contents of the ZIP file to a specified directory
IronZipArchive.ExtractArchiveToDirectory("assets/website.zip", "extracted");

// Extract all contents of the ZIP file to a specified directory
IronZipArchive.ExtractArchiveToDirectory("assets/website.zip", "extracted");

' Extract all contents of the ZIP file to a specified directory
IronZipArchive.ExtractArchiveToDirectory("assets/website.zip", "extracted")

// Create a ChromePdfRenderer object for rendering HTML to PDF (consider using IronHtmlRenderer for better HTML to PDF conversion)
ChromePdfRenderer renderer = new ChromePdfRenderer();

// Initialize an empty list to store the individual PDF documents
List<PdfDocument> pdfs = new List<PdfDocument>();

// Get all HTML files with the .html extension from the "extracted" folder
var htmlFiles = Directory.EnumerateFiles("extracted", "*.html");

// Loop through each HTML file
foreach (var htmlFile in htmlFiles)
{
    // Render the current HTML file as a PDF document using the ChromePdfRenderer
    var pdf = renderer.RenderHtmlFileAsPdf(htmlFile);

    // Add the generated PDF document to the list
    pdfs.Add(pdf);
}

// Merge all the individual PDF documents in the list into a single PDF document
var document = PdfDocument.Merge(pdfs);

// Save the merged PDF document as "HtmlToPDF.pdf"
document.SaveAs("HtmlToPDF.pdf");

// Create a ChromePdfRenderer object for rendering HTML to PDF (consider using IronHtmlRenderer for better HTML to PDF conversion)
ChromePdfRenderer renderer = new ChromePdfRenderer();

// Initialize an empty list to store the individual PDF documents
List<PdfDocument> pdfs = new List<PdfDocument>();

// Get all HTML files with the .html extension from the "extracted" folder
var htmlFiles = Directory.EnumerateFiles("extracted", "*.html");

// Loop through each HTML file
foreach (var htmlFile in htmlFiles)
{
    // Render the current HTML file as a PDF document using the ChromePdfRenderer
    var pdf = renderer.RenderHtmlFileAsPdf(htmlFile);

    // Add the generated PDF document to the list
    pdfs.Add(pdf);
}

// Merge all the individual PDF documents in the list into a single PDF document
var document = PdfDocument.Merge(pdfs);

// Save the merged PDF document as "HtmlToPDF.pdf"
document.SaveAs("HtmlToPDF.pdf");

' Create a ChromePdfRenderer object for rendering HTML to PDF (consider using IronHtmlRenderer for better HTML to PDF conversion)
Dim renderer As New ChromePdfRenderer()

' Initialize an empty list to store the individual PDF documents
Dim pdfs As New List(Of PdfDocument)()

' Get all HTML files with the .html extension from the "extracted" folder
Dim htmlFiles = Directory.EnumerateFiles("extracted", "*.html")

' Loop through each HTML file
For Each htmlFile In htmlFiles
	' Render the current HTML file as a PDF document using the ChromePdfRenderer
	Dim pdf = renderer.RenderHtmlFileAsPdf(htmlFile)

	' Add the generated PDF document to the list
	pdfs.Add(pdf)
Next htmlFile

' Merge all the individual PDF documents in the list into a single PDF document
Dim document = PdfDocument.Merge(pdfs)

' Save the merged PDF document as "HtmlToPDF.pdf"
document.SaveAs("HtmlToPDF.pdf")

// Create an IronTesseract object for Optical Character Recognition (OCR)
var ocrTesseract = new IronTesseract();

// Create an OcrInput object to specify the input for OCR processing
using var ocrInput = new OcrInput();

// Load the PDF document for text extraction
ocrInput.LoadPdf("HtmlToPDF.pdf");

// Perform OCR on the loaded PDF using the IronTesseract engine
var ocrResult = ocrTesseract.Read(ocrInput);

// Print the extracted text to the console
Console.WriteLine(ocrResult.Text);

// Create an IronTesseract object for Optical Character Recognition (OCR)
var ocrTesseract = new IronTesseract();

// Create an OcrInput object to specify the input for OCR processing
using var ocrInput = new OcrInput();

// Load the PDF document for text extraction
ocrInput.LoadPdf("HtmlToPDF.pdf");

// Perform OCR on the loaded PDF using the IronTesseract engine
var ocrResult = ocrTesseract.Read(ocrInput);

// Print the extracted text to the console
Console.WriteLine(ocrResult.Text);

' Create an IronTesseract object for Optical Character Recognition (OCR)
Dim ocrTesseract = New IronTesseract()

' Create an OcrInput object to specify the input for OCR processing
Dim ocrInput As New OcrInput()

' Load the PDF document for text extraction
ocrInput.LoadPdf("HtmlToPDF.pdf")

' Perform OCR on the loaded PDF using the IronTesseract engine
Dim ocrResult = ocrTesseract.Read(ocrInput)

' Print the extracted text to the console
Console.WriteLine(ocrResult.Text)

Dłączego Iron Suite?

Iron Suite wyróżnia się jako wiodący na rynku pakiet .NET do obsługi dokumentów biurowych, oferując kilka przekonujących argumentów przemawiających za jego przewagą.

Wnioski

Podsumowując, Iron Suite oferuje programistom .NET kompleksowy zestaw narzędzi do usprawnienia zadań automatyzacji prawnych, takich jak generowanie PDF-ów i konwersja plików HTML na przeszukiwalne dokumenty PDF. Korzystajac z mocy IronZIP, IronPDF oraz IronOCR, deweloperzy mogą automatyzowac i optymalizowac swoje procesy pracy, w koncu poprawiając efektywność i dokładność w przetwarzaniu dokumentów prawnych. Z Iron Suite w zasiegu reki, możliwosci automatyzacji sa nieograniczone.

Do zadania konwersji HTML na PDF wykorzystalismy trzy niezastapione biblioteki Iron Suite: IronZIP, IronPDF, i IronOCR. IronPrint może również być potencjalnym kandydatem do tego zadania, jeśli wymagane jest zaplecze drukowania. Jesli kupisz te cztery biblioteki oddzielnie, ich calkowity koszt wynosilby $2,998 * 4 = $2,996.

Jednakze, z Iron Suite, otrzymujesz dostep do nie tylko trzech czy czterech, ale dziewięciu potężnych bibliotek po cenie tylko dwoch indywidualnych produktów. To niesamowita oferta wartosciowa, zapewniająca ci kompletny zestaw narzędzi dla wszystkich twoich potrzeb rozwoju .NET. Za jedynie $1,498, Iron Suite oferuje doskonala wartość, oszczedzajac czas i pieniadze, a jednoczesnie dostarczajac szeroki zakres narzedzi do usprawnienia procesow programistycznych.