IRONSOFTWAREHOME

使用 IronOCR 在 C# 中保存可搜索 PDF

Curtis Chau
Curtis Chau
Updated: 2026年6月4日

IronOCR 使 C# 开发人员能够使用 OCR 技术将扫描的文档和图像转换为可搜索的 PDF,只需几行代码即可支持以文件、字节或流的形式输出。

可搜索的 PDF,通常被称为 OCR(光学字符识别)PDF,是一种包含扫描图像和机器可读文本的 PDF 文档。 这些 PDF 文件是通过对扫描的纸质文档或图像执行 OCR 功能创建的,它可以识别图像中的文本,并将其转换为可选择和可搜索的文本。

ReadDocumentAdvanced的结果中使用,使得从照片和高级文档OCR工作流创建可搜索的PDF成为可能。 在将纸质档案数字化或使旧版 PDF 文件可搜索以实现更佳文档管理时,此功能尤为实用。

快速入门:一行导出可搜索 PDF

设置SaveAsSearchablePdf(...)。 只需这些步骤,即可使用 IronOCR 生成一份完全可搜索的 PDF 文件。

  1. 1Install IronOCR with NuGet Package Manager

    PM > Install-Package IronOcr

  2. 2复制并运行这段代码。

    new IronOcr.IronTesseract { Configuration = { RenderSearchablePdf = true } } .Read(new IronOcr.OcrImageInput("file.jpg")).SaveAsSearchablePdf("searchable.pdf");
    C#
  3. 3部署到您的生产环境中进行测试

    通过免费试用立即在您的项目中开始使用IronOCR
    arrow pointer

如何将 OCR 结果导出为可搜索的 PDF?

要使用IronOCR将结果导出为可搜索的PDF,请将SaveAsSearchablePdf

输入

从哈利波特小说中的一页,扫描为TIFF文件并通过OcrImageInput加载。 该页面包含密集的印刷文本,是用于测试可搜索 PDF 文本层的理想测试素材。

《哈利·波特》书中展示第八章"死亡纪念日派对"的页面,内容讲述哈利与"几乎无头尼克"的相遇

potter.tiff:作为OCR输入的扫描小说页面,用于生成带有不可见文本图层的可搜索PDF文件。

using IronOcr;

// Create the OCR engine: defaults to English with balanced speed and accuracy
IronTesseract ocrTesseract = new IronTesseract();

// Required: without this flag the text overlay layer is not built, and SaveAsSearchablePdf produces a plain image PDF
ocrTesseract.Configuration.RenderSearchablePdf = true;

// Wrap the TIFF in OcrImageInput: handles DPI detection and page layout automatically
using var imageInput = new OcrImageInput("Potter.tiff");
// Run OCR; returns a result containing the recognized text and spatial layout data
OcrResult ocrResult = ocrTesseract.Read(imageInput);

// Write the output: the original scanned image is preserved with an invisible text layer on top
ocrResult.SaveAsSearchablePdf("searchablePdf.pdf");

输出

searchablePdf.pdf:可搜索的 PDF 输出文件。请选中或搜索任意单词,以验证 OCR 文本层。

生成的 PDF 文件将原始扫描的页面图像嵌入其中,并在每个识别出的单词上方叠加了一层不可见的文本层。 在查看器中选择或搜索任意WORD,以确认文本图层是否存在。

IronOCR 在叠加层中使用了特定字体,这可能会导致渲染后的文本大小与原文存在轻微差异。

在处理多页 TIFF 文件或复杂文档时,IronOCR 会自动处理所有页面并将它们包含在输出中。 该库可自动处理页面排序和文本叠加定位,确保文本到图像的映射准确无误。

如何从照片或高级文档扫描创建可搜索的 PDF?

使用ReadDocumentAdvanced时,也可导出可搜索PDF。 每种方法返回一种支持SaveAsSearchablePdf的结果类型。

调用这些方法时,您可以选择传递ModelType。 默认是Enhanced在精度上更好,但速度较慢。

输入

一幅墙壁壁画内嵌有文字的照片,通过LoadImage加载。 场景中包含嵌入在真实环境中的多个单词,使其成为Enhanced模型的实际测试。

用作 ReadPhoto OCR 输入的含文字图片

photo.png:通过 ReadPhoto 并使用增强型模型加载的墙面壁画照片,用于生成可搜索的 PDF 文件。

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.SaveAsSearchablePdfBytes();
File.WriteAllBytes("searchable-photo.pdf", pdfBytes);
C#

输出

searchable-photo.pdf:由 ReadPhoto 生成的可搜索 PDF。其文本层支持在任何 PDF 阅读器中进行全文搜索。

生成的可搜索 PDF 文件会在识别出的文字上方叠加一层不可见的文本层。 在 PDF 阅读器中搜索"Milk"会返回 3 个匹配结果,这些结果直接提取自原始照片中的手写文本。

类似方法适用于OcrDocAdvancedResult

输入

通过LoadImage加载的扫描发票。 它包含结构化字段(供应商名称、行项目和总计),而Enhanced模型识别并将其内嵌为可搜索文本层。

用作 ReadDocumentAdvanced OCR 输入的发票文档

invoice.png:扫描的发票已加载到 OcrInput 中,并使用增强型模型传递给 ReadDocumentAdvanced。

using IronOcr;

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

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

输出

searchable-doc.pdf:由 ReadDocumentAdvanced 生成的可搜索 PDF。发票字段可供选择和搜索。

ExtensionAdvancedScanException

处理多页文档

在处理多页文档的 PDF OCR 操作时,IronOCR 会按顺序处理每一页,并保持原始文档的结构。

输入

通过OcrPdfInput加载的11页Hartwell Capital Management年度报告。 使用Read调用中处理这些页面。

multi-page-scan.pdf:一份 11 页的 Hartwell Capital Management 年报,用作多页可搜索 PDF 转换的输入文件。

using IronOcr;

// Create the OCR engine. RenderSearchablePdf is false by default; no need to set it when using OcrPdfInput directly
var ocrTesseract = new IronTesseract();

// Load pages 1–10 (indices 0–9) only; PageIndices avoids loading and OCR-ing the full document unnecessarily
using var pdfInput = new OcrPdfInput("multi-page-scan.pdf", PageIndices: Enumerable.Range(0, 10));

// Run OCR across all selected pages in order
OcrResult result = ocrTesseract.Read(pdfInput);

// Write the searchable PDF; true = apply the input's image filters to the embedded page images in the output
result.SaveAsSearchablePdf("searchable-multi-page.pdf", true);

输出

searchable-multi-page.pdf:10 页的可搜索 PDF 输出文件。每页均包含一个用于全文搜索的不可见文本图层。

生成的 PDF 文件共 10 页(源自原始报告的第 1–10 页),每页均包含一个不可见的文本图层,使提取的内容可在任何 PDF 阅读器中被选中并进行搜索。

在创建可搜索 PDF 时如何应用过滤器?

SaveAsSearchablePdf第二个参数接受一个布尔值,用于控制是否将图像滤波器应用于嵌入的输出。 使用图像优化过滤器可以显著提高 OCR 的准确性,尤其是在处理低质量扫描时。

以下示例应用灰度滤波器,并将true作为第二个参数传递,以将滤波后的图像嵌入到可搜索PDF输出中。

using IronOcr;

// Create OCR engine: filters are applied at the OcrInput level, so no configuration changes are needed here
var ocr = new IronTesseract();
var ocrInput = new OcrInput();

// Load the scanned PDF as the OCR source
ocrInput.LoadPdf("invoice.pdf");

// Convert to grayscale: removes color noise that can reduce OCR accuracy on color-printed documents
ocrInput.ToGrayScale();
// Run OCR on the preprocessed input
OcrResult result = ocr.Read(ocrInput);

// Write the searchable PDF; true = embed the grayscale-filtered image rather than the original color scan
result.SaveAsSearchablePdf("outputGrayscale.pdf", true);

为获得最佳效果,请考虑使用 Filter Wizard 自动确定特定文档类型的最佳过滤器组合。 该工具会分析您的输入,并建议适当的预处理步骤。

如何修复可搜索PDF中的错误字符?

如果 PDF 中的文本在视觉上显示正确,但在搜索或复制时显示损坏的字符,则该问题是由可搜索文本层中使用的默认字体引起的。 默认情况下,SaveAsSearchablePdf使用Times New Roman,但该字体不完全支持所有Unicode字符。 这会影响包含重音字符或非 ASCII 字符的语言。

要解决这个问题,请提供与 Unicode 兼容的字体文件作为第三个参数:

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

您还可以将自定义字体名称指定为第四个参数:

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

这适用于包括OcrDocAdvancedResult在内的所有结果类型,因此这种修复无论是哪种读取方法产生的结果都有效。

对于最初使用 Times New Roman 排版的文档,建议使用 Liberation Serif,因为它在度量上是兼容的,可以保留原始的间距和布局。 对于通用多语言用途,Noto Sans 或 DejaVu Sans 都是不错的选择。

在无法写入文件路径的情况下,IronOCR 还支持将可搜索的 PDF 作为字节数组或流返回。


如何将可搜索的 PDF 导出为字节或数据流?

可搜索PDF的输出也可以使用SaveAsSearchablePdfStream方法分别作为字节或流处理。 下面的代码示例展示了如何使用这些方法。

// Return as a byte array: suited for storing in a database or sending in an HTTP response body
byte[] pdfByte = ocrResult.SaveAsSearchablePdfBytes();

// Return as a stream: suited for uploading to cloud storage or piping to another I/O operation without buffering the full file
Stream pdfStream = ocrResult.SaveAsSearchablePdfStream();

这些输出选项在与云存储服务、数据库或网络应用程序集成时特别有用,因为文件系统访问可能会受到限制。 以下示例展示了实际应用场景:

using IronOcr;
using System.IO;

public class SearchablePdfExporter
{
    public async Task ProcessAndUploadPdf(string inputPath)
    {
        var ocr = new IronTesseract
        {
            Configuration = { RenderSearchablePdf = true }
        };
        
        // Process the input
        using var input = new OcrImageInput(inputPath);
        var result = ocr.Read(input);
        
        // Option 1: Save to database as byte array
        byte[] pdfBytes = result.SaveAsSearchablePdfBytes();
        // Store pdfBytes in database BLOB field
        
        // Option 2: Upload to cloud storage using stream
        using (Stream pdfStream = result.SaveAsSearchablePdfStream())
        {
            // Upload stream to Azure Blob Storage, AWS S3, etc.
            await UploadToCloudStorage(pdfStream, "searchable-output.pdf");
        }
        
        // Option 3: Return as web response
        // return File(pdfBytes, "application/pdf", "searchable.pdf");
    }
    
    private async Task UploadToCloudStorage(Stream stream, string fileName)
    {
        // Cloud upload implementation
    }
}

性能考虑

在处理大量文件时,请考虑实施多线程 OCR 操作以提高吞吐量。 IronOCR 支持并发处理,允许您同时处理多个文档:

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");
    }
}

高级配置选项

对于更高级的应用场景,您可以利用详细的 Tesseract 配置,针对特定文档类型或语言对 OCR 引擎进行微调:

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
};

这些配置选项同样适用于所有三种输出方法:SaveAsSearchablePdfStream。 下方的摘要汇总了所有可搜索的 PDF 处理方法及其对应的输出格式。

摘要

using IronOCR 创建可搜索 PDF 既简单又灵活。 无论是需要通过ReadDocumentAdvanced进行高级文档扫描,该库均提供强大的方法来生成各种格式的可搜索PDF。 使用ModelType参数选择标准和增强ML模型之间的准确性。 以文件、字节或流的形式导出的功能使其能够适应从桌面应用程序到基于云的服务等任何应用程序架构。

对于更复杂的 OCR 场景,请查阅全面的代码示例,或参考 API 文档以获取详细的方法签名和选项。

常见问题解答

如何用 C# 从扫描图像创建可搜索的 PDF?

IronOCR 使从扫描图像创建可搜索 PDF 变得非常简单。只需在配置中将 RenderSearchablePdf 设为 true,在输入图像上使用 Read() 方法,然后调用 SaveAsSearchablePdf() 并指定所需的输出路径即可。IronOcr 将对图像执行 OCR,并生成在原始图像上叠加了可选择、可搜索文本的 PDF。

哪些文件格式可以转换为可搜索的 PDF?

IronOCR 可以将各种图像格式(包括 JPG、PNG、TIFF 和现有 PDF 文档)转换为可搜索的 PDF。该库既支持单页图像,也支持 TIFF 文件等多页文档,能自动处理所有页面,并在输出的可搜索 PDF 中保持正确的页面顺序。

能否将可搜索的 PDF 导出为字节数组或流,而不是文件?

是的,IronOCR 支持导出多种格式的可搜索 PDF。除了使用 SaveAsSearchablePdf() 直接保存到文件外,您还可以将 OCR 结果导出为字节数组或流,从而轻松与网络应用程序、云存储或数据库系统集成,而无需创建临时文件。

创建可搜索 PDF 至少需要多少代码?

using IronOCR 创建可搜索 PDF 只需一行代码即可完成: new IronOcr.IronTesseract { Configuration = { RenderSearchablePdf = true }.}.Read(new IronOcr.OcrImageInput("file.jpg")).SaveAsSearchablePdf("searchable.pdf").这展示了 IronOCR 简化的 API 设计。

在可搜索 PDF 中,不可见文本层是如何工作的?

IronOCR 会自动将识别出的文本作为不可见图层定位在 PDF 原始图像之上。这确保了文本与图像的精确映射,使用户能够在保持原始文档视觉外观的同时,对文本进行选择和搜索。IronOCR库通过专用字体和定位算法来实现这一功能。

我能将照片或屏幕截图转换为可搜索的 PDF 文件吗?

是的,ReadPhotoReadScreenShotReadDocumentAdvanced 的处理结果均支持 SaveAsSearchablePdf 功能。每个方法返回的结果类型均支持可搜索 PDF 导出,从而能够轻松地将真实照片、屏幕截图或复杂的文档扫描件转换为可搜索的 PDF 文件。

ModelType 参数的作用是什么?

ModelType 参数用于控制 OCR 所使用的预训练机器学习模型。默认值为 Normal,该模式处理缩放至 960 像素的图像以获得快速结果。Enhanced 模式支持最大 2560 像素的图像,能够保留更精细的细节,并提高高分辨率输入的识别准确率。

为什么我在可搜索 PDF 中复制的或搜索到的字符会显示为乱码?

出现这种情况是因为可搜索文本层使用的默认字体(Times New Roman)无法完全支持所有 Unicode 字符。要解决此问题,请将兼容 Unicode 的字体文件作为 SaveAsSearchablePdf 的第三个参数传入。如果您的文档最初使用 Times New Roman 排版,且发现与其他字体存在间距不一致的情况,请尝试使用 Liberation Serif,因为它具有相同的字形度量,并能保留原始布局。

What advanced configuration options are available in IronOCR for creating searchable PDFs?

IronOCR offers advanced configuration options, including detailed Tesseract configuration, setting Tesseract variables, and choosing different page segmentation modes. These can be tailored to fine-tune OCR for specific document types or languages.

Curtis Chau
技术作家

Curtis Chau 拥有卡尔顿大学的计算机科学学士学位,专注于前端开发,精通 Node.js、TypeScript、JavaScript 和 React。他热衷于打造直观且美观的用户界面,喜欢使用现代框架并创建结构良好、视觉吸引力强的手册。

...
阅读更多

准备开始了吗?

Nuget Downloads 6,236,385版本:2026.9刚刚发布

免费获取

30天试用密钥 即刻获取。

bullet_checked无需信用卡或创建账户
bullet_test在生产环境中测试
且无水印
bullet_calendar30天完全
功能性产品
bullet_support试用期间提供
24/5技术支持
立即获取您的免费30 天试用密钥
无需信用卡或创建账户
C# 用于 PDF 的 NuGet 库
通过 NuGet 安装

版本: 2026.9

PM > Install-Package IronOcr
nuget.org/packages/IronOcr/
  1. 在解决方案资源管理器中,右键点击引用,管理 NuGet 包
  2. 选择浏览并搜索"IronOCR"
  3. 选择包并安装
C# PDF DLL
下载 DLL

版本: 2026.9

或在这里下载Windows安装程序。

  1. 下载并解压IronOCR到你的解决方案目录中的~/Libs位置
  2. 在Visual Studio解决方案资源管理器中,右键点击引用。选择浏览,“IronOCR.dll”

许可证售价$999

Key in blue circle

立即获取免费的 30 天试用版密钥

Your trial license will be sent to your email address

无任何限制。100% 解锁。无需信用卡。

bullet_checked无需信用卡或创建账户无任何限制。100% 解锁。无需信用卡。
  • Logo Aetna
  • Logo NASA
  • Logo GE
  • Logo Porsche
  • Logo USDA
  • Logo Qatar
Join Millions of Engineers who’ve tried IronPDF
获取您的无义务咨询
填写下面的表格或通过sales@ironsoftware.com
您的资料将始终保密。
深受全球数百万工程师信赖
Iron Software 的客户徽标
立即获取您的免费30 天试用密钥
无需信用卡或创建账户