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

Install-Package IronOcr

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：

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);

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);

Imports IronOcr

' Initialize the OCR engine
Dim ocr As New IronTesseract()

' Load the PDF and perform OCR
Using pdfInput As New OcrPdfInput("scanned-report.pdf")
    Dim result As OcrResult = ocr.Read(pdfInput)
    ' Output the extracted text
    Dim extractedText As String = result.Text
    Console.WriteLine(extractedText)
End Using

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。

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：

using IronOcr;
using System.Collections.Generic;
IronTesseract ocr = new IronTesseract();
// Specify pages to process (zero-based indexing)
List<int> targetPages = new List<int>() { 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);

using IronOcr;
using System.Collections.Generic;
IronTesseract ocr = new IronTesseract();
// Specify pages to process (zero-based indexing)
List<int> targetPages = new List<int>() { 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);

Imports IronOcr
Imports System.Collections.Generic

Dim ocr As New IronTesseract()
' Specify pages to process (zero-based indexing)
Dim targetPages As New List(Of Integer)() From {0, 2, 4}
Using pdfInput As New OcrPdfInput("lengthy-document.pdf", PageIndices:=targetPages)
    Dim result As OcrResult = ocr.Read(pdfInput)
    ' Save or process the OCR results
    Console.WriteLine(result.Text)
End Using

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：

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);

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);

Imports IronOcr
Imports IronSoftware.Drawing
Imports System

Dim ocr As New IronTesseract()
' Define the scan region (x, y, width, height in pixels)
Dim invoiceFields As Rectangle() = {
    New Rectangle(130, 290, 250, 50)   ' Invoice number area
}

Using pdfInput As New OcrPdfInput("invoice.pdf", ContentAreas:=invoiceFields)
    Dim result As OcrResult = ocr.Read(pdfInput)
    ' Extract and output the structured data
    Console.WriteLine(result.Text)
End Using

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。

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：

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);

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);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As 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
    Dim result As OcrResult = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

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？ 从免费试用版开始，探索完整的功能集并下载 SDK。