Leia documentos digitalizados em C# usando o IronOCR.

Como extrair texto de documentos digitalizados?

Para extrair texto de todas as imagens dentro de um documento, use o método ReadDocument. Este método processa o documento e retorna um objeto contendo o texto extraído, que pode ser acessado através da propriedade Text. O exemplo abaixo demonstra como usar esse método com um arquivo .

O IronOCR suporta uma ampla variedade de formatos de documentos para digitalização. Para imagens, você pode trabalhar com os formatos JPG, PNG, GIF, TIFF e BMP , enquanto o suporte a PDF inclui documentos de uma ou várias páginas . A biblioteca utiliza a tecnologia avançada Tesseract 5 para garantir alta precisão em todos os formatos suportados.

• Atualmente, este método funciona apenas para os alfabetos inglês, chinês, japonês, coreano e latino.
• O uso da verificação avançada no .NET Framework exige que o projeto seja executado em arquitetura 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);

Opções avançadas de processamento de documentos

Ao trabalhar com documentos digitalizados, muitas vezes é necessário ter mais controle sobre o processo de OCR. O IronOCR oferece diversos recursos avançados para aprimorar os resultados da extração de texto.

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}");
}

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);

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");

Trabalhando com diferentes tipos de documentos

O IronOCR se destaca no processamento de diversos tipos de documentos comumente encontrados em ambientes empresariais. Quer você esteja lidando com faturas, contratos ou documentos históricos, a biblioteca oferece recursos especializados para extrair dados de diferentes fontes.

Melhores práticas para digitalização de documentos

Para obter resultados ótimos no processamento de documentos digitalizados:

1. Qualidade da digitalização : Use uma resolução mínima de 300 DPI para obter os melhores resultados.
2. Formato de arquivo : Os formatos TIFF e PNG preservam melhor a qualidade do que o JPEG para documentos de texto.
3. Pré-processamento : Aplique filtros apropriados com base nas condições do seu documento.
4. Desempenho : Para lotes grandes, considere usar recursos de multithreading.

Solução de problemas comuns

Ao trabalhar com documentos digitalizados, você pode encontrar diversos desafios. Aqui estão soluções para problemas comuns:

• Digitalizações de baixa qualidade : Aplique filtros de aprimoramento antes do processamento OCR.
• Documentos inclinados: Use o método Deskew() para corrigir a orientação
• Conteúdo misto : Processe regiões específicas se os documentos contiverem elementos de texto e não textuais.

Para obter orientações mais detalhadas, explore nosso tutorial completo de OCR em C# ou confira exemplos simples de OCR para começar rapidamente.

Próximos passos

Agora que você entende como extrair texto de documentos digitalizados, pode explorar recursos mais avançados, como tornar qualquer PDF pesquisável ou processar fluxos de PDF para aplicativos da web. A flexibilidade do IronOCR o torna adequado para tudo, desde a simples digitalização de documentos até fluxos de trabalho complexos de processamento de documentos empresariais.