如何 OCR PDF：使用 C# .NET OCR 从扫描文档中提取 PDF 文本

扫描 PDF 文档是 .NET 开发人员面临的一个共同挑战：文本仅以图像形式存在，无法进行搜索、复制或编程处理。 光学字符识别 (OCR) 技术通过将扫描图像和图像文件转换为可编辑和可搜索的数据来解决这个问题--将扫描的纸质文件、数码相机拍摄的图像或任何可搜索的 PDF 文件转换为机器可读文本。 无论是将纸质档案数字化、自动提取数据，还是构建人工智能驱动的文档处理应用程序，使用光学字符识别转换 PDF 文件的能力都是至关重要的。 IronOCR for .NET 是一个功能强大的 .NET OCR 库，它提供了一种简化的 C# PDF OCR 方法。 该.NET 光学字符识别库基于 Tesseract OCR 引擎，具有更高的准确性，只需几行代码即可从任何 PDF 文档中提取文本。

IronOCR是一个功能强大的.NET OCR 库，它提供了一种简化的 C# PDF OCR 方法。 该.NET 光学字符识别库基于 Tesseract OCR 引擎，具有更高的准确性，只需几行代码即可从任何 PDF 文档中提取文本。

如何用 C# 在 PDF 上执行 OCR？ 首先，通过 NuGet 包管理器安装 IronOCR 库，将这个功能强大的 OCR 引擎添加到系统中： ```shell :ProductInstall ``` 下面的示例演示了如何加载 PDF 文件并识别整个扫描文档中的文本： ```csharp using IronOcr; // Initialize the OCR engine IronTesseract ocr = new IronTesseract(); // Load the PDF and perform OCR using var pdfInput = new OcrPdfInput("scanned-report.pdf"); OcrResult result = ocr.Read(pdfInput); // Output the extracted text string extractedText = result.Text; Console.WriteLine(extractedText); ``` `IronTesseract` 类作为主要的 OCR 引擎，封装了 Tesseract 5，并针对 .NET Core 和 .NET Framework 应用程序进行了优化。 `OcrPdfInput` 对象在内部处理 PDF 加载和页面渲染，无需手动转换图像格式。 当您调用 `Read` 方法时，OCR 流程会分析每一页，并返回一个 `OcrResult` 结果，其中包含以字符串形式提取的文本，以及有关段落、行、单词及其位置的结构化数据。 然后，用户可以将输出保存到 TXT 文件、目标文件夹、Word 文档，或使用 API 进一步处理数据。 ### 输入 !a href="/static-assets/ocr/blog/net-ocr-pdf/net-ocr-pdf-1.webp">How to OCR a PDF：使用 C# .NET OCR PDF 从扫描文档中提取文本：图片 1 - PDF 输入示例。 ### 输出 !a href="/static-assets/ocr/blog/net-ocr-pdf/net-ocr-pdf-2.webp">How to OCR a PDF：使用 C# .NET OCR PDF 从扫描文件中提取文本：图像 2 - 控制台输出。

如何阅读 PDF 中的特定页面？ 如果只针对需要的页面，处理大型文本文档的效率会更高。 向 `PageIndices` 参数传递页面索引列表，以便有选择地转换扫描的 PDF 页面： ```csharp using IronOcr; using System.Collections.Generic; IronTesseract ocr = new IronTesseract(); // Specify pages to process (zero-based indexing) ListtargetPages = new List() { 0, 2, 4 }; using var pdfInput = new OcrPdfInput("lengthy-document.pdf", PageIndices: targetPages); OcrResult result = ocr.Read(pdfInput); // Save or process the OCR results Console.WriteLine(result.Text); ``` 请注意，IronOCR 使用基于零的索引，因此第 0 页代表 PDF 文档的第一页。 在处理只有特定部分包含相关可搜索数据的多页扫描文档时，这种选择性方法可减少处理时间和内存消耗。

如何从特定区域提取数据？ 发票处理、表格数字化和文档解析通常需要从定义区域而非整页中提取文本。 此 OCR 工具允许您使用 `ContentAreas` 参数创建有针对性的扫描，该参数接受一个矩形数组，指定要处理的区域： ```csharp using IronOcr; using IronSoftware.Drawing; using System; IronTesseract ocr = new IronTesseract(); // Define the scan region (x, y, width, height in pixels) Rectangle[] invoiceFields = { new Rectangle(130, 290, 250, 50) // Invoice number area }; using var pdfInput = new OcrPdfInput("invoice.pdf", ContentAreas: invoiceFields); OcrResult result = ocr.Read(pdfInput); // Extract and output the structured data Console.WriteLine(result.Text); ``` `Rectangle` 构造函数接受四个参数：X 位置、Y 位置、宽度和高度--均以页面左上角的像素为单位。 这种有针对性的文本识别方法将 OCR 引擎集中在特定的内容区域，而不是处理无关的背景元素，从而大大提高了速度和准确性。 在批量处理发票时，结合区域提取和结果页面迭代，从多个 PDF 文件中建立可编辑的结构化数据。 ### 输入 !a href="/static-assets/ocr/blog/net-ocr-pdf/net-ocr-pdf-3.webp">How to OCR a PDF：使用 C# .NET OCR PDF 从扫描文件中提取文本：图片 3 - 样本发票。 ### 输出 !a href="/static-assets/ocr/blog/net-ocr-pdf/net-ocr-pdf-4.webp">How to OCR a PDF：使用 C# .NET OCR PDF 从扫描文件中提取文本：图像 4 - 提取的数据输出。

如何提高扫描文档的 OCR 准确性？ 现实世界中扫描的纸质文档往往存在质量问题：页面歪斜、分辨率低或扫描软件产生的数字噪音。 IronOCR 包括预处理过滤器，可以解决这些难题，帮助将图像质量问题转化为准确的文本转换： ```csharp using IronOcr; IronTesseract ocr = new IronTesseract(); using var input = new OcrInput(); // Load PDF with higher DPI for better text recognition input.LoadPdf("poor-quality-scan.pdf", DPI: 300); // Apply image correction filters to process scanned images input.Deskew(); // Straighten rotated pages input.DeNoise(); // Remove scanning artifacts OcrResult result = ocr.Read(input); Console.WriteLine(result.Text); ``` `DPI` 参数控制 OCR 处理前呈现 PDF 页面的分辨率--较高的值（200-300 DPI）可提高小文本文档的准确性。 `Deskew` 方法可自动检测和纠正页面旋转，而 `DeNoise` 则可去除干扰光学字符识别 (OCR) 的斑点和伪影。 对于需要额外图像调整的文档，IronOCR 提供了对比度增强、二值化和其他编辑图像质量的工具。 该.NET OCR 库还可以通过在输入构建过程中接受凭证来处理受密码保护的 PDF 文档。 该软件支持 125 种以上的语言包，可对国际文件进行 OCR 识别。 除标准 PDF 文件外，IronOCR 还可以处理 PNG、TIFF（包括多页 TIFF）和其他图像格式文件。 部署可在 Windows、Linux、macOS 以及包括 Azure 和 Docker 容器在内的云平台上无缝运行。 ## 结论 IronOCR 将复杂的 PDF 文本提取任务转化为简单明了的操作。 从基本的文档阅读到有针对性的区域提取，以及对具有挑战性的扫描图像进行预处理，该 OCR 库都能处理复杂的技术问题，同时提供可在 .NET Core 和 .NET Framework 上运行的简洁 C# API。 上述代码示例展示了核心功能，但 IronOCR 还进一步扩展了条形码和 QR 码读取、可搜索 PDF 创建（将扫描的 PDF 文件转换为可编辑的可搜索文档）以及结构化数据输出（包括置信度分数和文本定位）。 探索用于高级实现的完整 API 参考，或在试用期间试用免费的专业版功能。 [购买许可证](许可)即可在 .NET 应用程序生产环境中部署 IronOCR，或与我们的工程团队聊天以获得针对具体项目的指导。 准备好在您的 .NET 应用程序中执行 OCR了吗？ [从免费试用版](trial-license)开始，探索完整的功能集并下载 SDK。