在 IronOCR 中处理大 PDF 文件
在大型多页 PDF 上运行 OCR 会激增内存并导致进程崩溃。 通常的罪魁祸首是一次将所有页面加载到内存中。
System.OutOfMemoryExceptionOcrInput.LoadPdf("large.pdf") 一次性读取所有页面。 IronOCR 的成像系统随后同时渲染每个页面，而且因为 DPI 默认为 OutOfMemoryException 或资源死锁。
解决方案
解决方法是逐个页面处理 PDF 并保持渲染 DPI 尽可能低以容许的文本质量。
1. 获取页面数
using IronPdf.PdfDocument （或任何 PDF 库）打开文档以读取页面数。
using var pdf = IronPdf.PdfDocument.FromFile(pdfPath);
var pageCount = pdf.PageCount;2. 一次加载一个页面
循环浏览页面，使用 OcrInput.LoadPdfPage("file.pdf", pageIndex, dpi) 单独加载每一页。 在视觉质量得到保持的情况下，将 DPI 降到 80 以下以节省内存。
3. 读取和连接
将每个单页输入传递给 IronTesseract.Read() 并将结果追加到 StringBuilder。
var ocr = new IronTesseract();
var pdfPath = "large.pdf";
using var pdf = IronPdf.PdfDocument.FromFile(pdfPath);
var pageCount = pdf.PageCount;
var textBuilder = new StringBuilder();
for (int i = 0; i < pageCount; i++)
{
using var input = new OcrInput();
input.LoadPdfPage(pdfPath, i, 80);
var result = ocr.Read(input);
textBuilder.Append(result.Text);
textBuilder.Append(' '); // Add space between pages
}
Console.WriteLine(textBuilder.ToString().Trim());using 在每个 OcrInput 上释放页面的图像数据，这样内存可以在循环中保持平稳，而不是随着页面数而增加。
选项：先压缩 PDF
对于非常复杂或图像密集的文件，逐页循环可能仍然困难。 在执行 OCR 之前使用 IronPDF 的 Compress API 压缩 PDF 以减少 IronOCR 需要处理的图像数据。 这在扫描或图像密集的文档上最有效。
直接压缩到流中，然后将该流加载到 OcrInput：
var pdf = PdfDocument.FromFile(pdfPath);
var stream = pdf.CompressPdfToStream(CompressStructTree: true);
var ocrTesseract = new IronTesseract();
using var ocrInput = new OcrInput();
ocrInput.LoadPdfPage(stream, 1);当 PDF 内含嵌入图像时，在压缩时降低 JpegQuality 以进一步缩减数据：
var pdf = PdfDocument.FromFile(@"D:\hugePdf.pdf");
var stream = pdf.CompressPdfToStream(JpegQuality: 75, CompressStructTree: true);调试提示
- **降低 DPI：**将
80的值设为100范围内，当文本仍清晰可读时大幅减少内存使用。 - **避免在大文件上
LoadPdf()：**只有在文档真正小的时候才一次性读取整个文档。 - **提早释放：**将
OcrInput封装在using语句中，以便在页面之间释放内存。 - **小心并行化：**只有在机器有额外内存和 CPU 时才同时处理页面； 这在大型 PDF 上适得其反。
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。
