Save 可搜索的 PDFs in C# with IronOCR

如何從照片或進階文件掃描建立可搜尋的 PDF？

使用 ReadScreenShot 或 ReadDocumentAdvanced 時，也可以匯出可搜尋的 PDF 檔案。 這些方法均傳回支援 SaveAsSearchablePdf 的結果類型。

呼叫這些方法時，您可以選擇性地傳遞一個 ModelType。 預設值為 Normal，而 Enhanced 以犧牲速度為代價，提供了更高的準確性。

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("photo.png");

// ReadPhoto with Enhanced model
OcrPhotoResult photoResult = ocr.ReadPhoto(input, ModelType.Enhanced);
Console.WriteLine(photoResult.Text);

// Save as searchable PDF
byte[] pdfBytes = photoResult.SaveAsSearchablePdf();
File.WriteAllBytes("searchable-photo.pdf", pdfBytes);

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("photo.png");

// ReadPhoto with Enhanced model
OcrPhotoResult photoResult = ocr.ReadPhoto(input, ModelType.Enhanced);
Console.WriteLine(photoResult.Text);

// Save as searchable PDF
byte[] pdfBytes = photoResult.SaveAsSearchablePdf();
File.WriteAllBytes("searchable-photo.pdf", pdfBytes);

照片輸入

從照片產生可搜尋的PDF文件

同樣的方法也適用於 ReadDocumentAdvanced，它會回傳 OcrDocAdvancedResult：

// ReadDocumentAdvanced with Enhanced model
OcrDocAdvancedResult docResult = ocr.ReadDocumentAdvanced(input, ModelType.Enhanced);
byte[] docPdfBytes = docResult.SaveAsSearchablePdf();
File.WriteAllBytes("searchable-doc.pdf", docPdfBytes);

// ReadDocumentAdvanced with Enhanced model
OcrDocAdvancedResult docResult = ocr.ReadDocumentAdvanced(input, ModelType.Enhanced);
byte[] docPdfBytes = docResult.SaveAsSearchablePdf();
File.WriteAllBytes("searchable-doc.pdf", docPdfBytes);

發票錄入

從文件中搜尋 PDF

產生的可搜尋 PDF 檔案包含一個不可見的文字層，支援在任何 PDF 檢視器中進行全文搜尋。 例如，在上面的第一個 PDF 中搜尋"牛奶"會返回 3 個匹配項——直接從原始照片中的壁畫中提取出來。

SaveAsSearchablePdf 不支援 ReadPassport() 或 ReadLicensePlate() 結果，並將拋出 ExtensionAdvancedScanException.

處理多頁文件

在處理多頁文件上的 PDF OCR 作業時，IronOCR 會依序處理每頁，並維持原始文件結構。 以下是將多頁掃描 PDF 轉換為可搜尋 PDF 的範例：

using IronOcr;

// Initialize IronTesseract with configuration
var ocrTesseract = new IronTesseract
{
    Configuration = 
    {
        RenderSearchablePdf = true,
        PageSegmentationMode = TesseractPageSegmentationMode.Auto
    }
};

// Load a multi-page PDF
using var pdfInput = new OcrPdfInput("multi-page-scan.pdf");

// Optionally specify page range (e.g., pages 1-10)
pdfInput.SelectPages(1, 10);

// Perform OCR with progress tracking
OcrResult result = ocrTesseract.Read(pdfInput);

// Save as searchable PDF
result.SaveAsSearchablePdf("searchable-multi-page.pdf");

// Display total pages processed
Console.WriteLine($"Processed {result.Pages.Length} pages");

using IronOcr;

// Initialize IronTesseract with configuration
var ocrTesseract = new IronTesseract
{
    Configuration = 
    {
        RenderSearchablePdf = true,
        PageSegmentationMode = TesseractPageSegmentationMode.Auto
    }
};

// Load a multi-page PDF
using var pdfInput = new OcrPdfInput("multi-page-scan.pdf");

// Optionally specify page range (e.g., pages 1-10)
pdfInput.SelectPages(1, 10);

// Perform OCR with progress tracking
OcrResult result = ocrTesseract.Read(pdfInput);

// Save as searchable PDF
result.SaveAsSearchablePdf("searchable-multi-page.pdf");

// Display total pages processed
Console.WriteLine($"Processed {result.Pages.Length} pages");

在建立可搜尋的 PDF 時，如何套用篩選器？

SaveAsSearchablePdf 也接受一個布林標誌作為第二個參數，讓您可以對可搜尋的 PDF 應用過濾器或不套用過濾器，從而為開發人員提供選擇的靈活性。 使用影像最佳化篩選器可大幅提升 OCR 準確度，尤其是在處理低品質掃描時。

下面是一個應用灰階濾鏡，然後透過在 true 的第二個參數中放入 SaveAsSearchablePdf 來保存帶有濾鏡的 PDF 的範例。

:path=/static-assets/ocr/content-code-examples/how-to/image-quality-correction-searchable-pdf.cs

using IronOcr;

var ocr = new IronTesseract();
var ocrInput = new OcrInput();

// Load a PDF file
ocrInput.LoadPdf("invoice.pdf");

// Apply gray scale filter
ocrInput.ToGrayScale();
OcrResult result = ocr.Read(ocrInput);

// Save the result as a searchable PDF with filters applied
result.SaveAsSearchablePdf("outputGrayscale.pdf", true);

為達到最佳效果，請考慮使用 過濾精靈 自動決定特定文件類型的最佳過濾器組合。 此工具會分析您的輸入，並建議適當的預處理步驟。

如何修復可搜尋PDF中的錯誤字元？

如果 PDF 中的文字在視覺上顯示正確，但在搜尋或複製時顯示損壞的字符，則該問題是由可搜尋文字層中使用的預設字體引起的。 預設情況下，SaveAsSearchablePdf 使用 Times New Roman 字體，但該字體並未完全支援所有 Unicode 字元。 這會影響包含重音字元或非 ASCII 字元的語言。

要解決這個問題，請提供與 Unicode 相容的字型檔案作為第三個參數：

result.SaveAsSearchablePdf("output.pdf", false, "Fonts/LiberationSerif-Regular.ttf");

result.SaveAsSearchablePdf("output.pdf", false, "Fonts/LiberationSerif-Regular.ttf");

您也可以將自訂字型名稱指定為第四個參數：

result.SaveAsSearchablePdf("output.pdf", false, "Fonts/LiberationSerif-Regular.ttf", "MyFont");

result.SaveAsSearchablePdf("output.pdf", false, "Fonts/LiberationSerif-Regular.ttf", "MyFont");

這適用於所有結果類型，包括 OcrPhotoResult 和 OcrDocAdvancedResult，因此無論使用哪種讀取方法產生結果，此修復程序都有效。

對於最初使用 Times New Roman 排版的文檔，建議使用 Liberation Serif，因為它在度量上是相容的，可以保留原始的間距和佈局。 對於通用多語言用途，Noto Sans 或 DejaVu Sans 都是不錯的選擇。

效能考量

在處理大量文件時，請考慮實施 多執行緒 OCR 作業，以提高吞吐量。 IronOCR 支援並發處理，可讓您同時處理多個文件：

using IronOcr;
using System.Threading.Tasks;
using System.Collections.Concurrent;

public class BatchPdfProcessor
{
    private readonly IronTesseract _ocr;

    public BatchPdfProcessor()
    {
        _ocr = new IronTesseract
        {
            Configuration = 
            {
                RenderSearchablePdf = true,
                // Configure for optimal performance
                Language = OcrLanguage.English
            }
        };
    }

    public async Task ProcessBatchAsync(string[] filePaths)
    {
        var results = new ConcurrentBag<(string source, string output)>();

        await Parallel.ForEachAsync(filePaths, async (filePath, ct) =>
        {
            using var input = new OcrImageInput(filePath);
            var result = _ocr.Read(input);

            string outputPath = Path.ChangeExtension(filePath, ".searchable.pdf");
            result.SaveAsSearchablePdf(outputPath);

            results.Add((filePath, outputPath));
        });

        Console.WriteLine($"Processed {results.Count} files");
    }
}

using IronOcr;
using System.Threading.Tasks;
using System.Collections.Concurrent;

public class BatchPdfProcessor
{
    private readonly IronTesseract _ocr;

    public BatchPdfProcessor()
    {
        _ocr = new IronTesseract
        {
            Configuration = 
            {
                RenderSearchablePdf = true,
                // Configure for optimal performance
                Language = OcrLanguage.English
            }
        };
    }

    public async Task ProcessBatchAsync(string[] filePaths)
    {
        var results = new ConcurrentBag<(string source, string output)>();

        await Parallel.ForEachAsync(filePaths, async (filePath, ct) =>
        {
            using var input = new OcrImageInput(filePath);
            var result = _ocr.Read(input);

            string outputPath = Path.ChangeExtension(filePath, ".searchable.pdf");
            result.SaveAsSearchablePdf(outputPath);

            results.Add((filePath, outputPath));
        });

        Console.WriteLine($"Processed {results.Count} files");
    }
}

進階組態選項

對於更進階的情境，您可以利用 詳細的 Tesseract 配置，針對特定的文件類型或語言微調 OCR 引擎：

var advancedOcr = new IronTesseract
{
    Configuration = 
    {
        RenderSearchablePdf = true,
        TesseractVariables = new Dictionary<string, object>
        {
            { "preserve_interword_spaces", 1 },
            { "tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz" }
        },
        PageSegmentationMode = TesseractPageSegmentationMode.SingleColumn
    },
    Language = OcrLanguage.EnglishBest
};

var advancedOcr = new IronTesseract
{
    Configuration = 
    {
        RenderSearchablePdf = true,
        TesseractVariables = new Dictionary<string, object>
        {
            { "preserve_interword_spaces", 1 },
            { "tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz" }
        },
        PageSegmentationMode = TesseractPageSegmentationMode.SingleColumn
    },
    Language = OcrLanguage.EnglishBest
};