PaddleOCRSharp增加PDF识别，让你的代码更高效

前言：    在实际项目中，经常会遇到需要从 PDF 文件中提取文本信息的需求。由于 PDF 文档通常包含多种格式和布局，直接使用 OCR 技术对其进行识别并不总是最优的选择。因此，在进行 OCR 之前，通常需要将 PDF 内容转换为图像文件，以便更有效地应用 OCR 算法。一般步骤是：

1. 读取 PDF 文件：

• 使用pdf库来读取 PDF 文件的内容。这些库可以解析 PDF 文档，并提取页面内容。

2. 将 PDF 页面转换为图像：

• 利用 PDF 库，它可以将每一页的 PDF 内容转换为单独的图像文件或直接保存为多页图像文件。

3. 处理图像质量：

• 转换后的图像可能需要进一步优化。例如，可以通过调整分辨率、对比度等参数来提高 OCR 识别的效果。

4. 应用 OCR 技术：

• 使用如 PaddleOCR、Tesseract 或其他 OCR 库对转换后的图像进行文字识别。

正文：

那么如何利用一个方法解决以上几个步骤？

PaddleOCRSharp目前增加扩展组件库PaddleOCRSharp.PDF，在nuget上安装PaddleOCRSharp包之后再安装PaddleOCRSharp.PDF包即可。

 

关键代码也就一行。

 PaddleOCREngine engine = new PaddleOCREngine();

 var result = engine.DetectTextPDF(“PDF文件或者byte数组”);

返回结果是一个对象包含一个Pages属性，Pages属性包含PDF的每一页的OCRResult信息。OCRResult就是PaddleOCRSharp的OCR图片识别结果，包含文本坐标置信度等信息。

//
// 摘要:
//     PDF识别结果
public class PDFOCRResult
{
    //
    // 摘要:
    //     PDF识别每页结果集合
    public List<OCRResult> Pages { get; set; } = new List<OCRResult>();

}

PaddleOCRSharp.PDF包含两个重载方法，分别满足传参文件路径和文件流。

/// <summary>
/// PDF识别
/// </summary>
/// <param name="engine">OCR引擎</param>
/// <param name="pdffile">PDF文件</param>
/// <param name="dpi">导出图片的分辨，分辨率越高越清晰，图片像素越大</param>
/// <param name="pageAction">拆分第几页事件回调</param>
/// <returns>PDF识别结果</returns>
public static PDFOCRResult DetectTextPDF(this PaddleOCREngine engine, string pdffile, float dpi = 150, Action<int> pageAction = null)

/// <summary>
 /// PDF识别
 /// </summary>
 /// <param name="engine">OCR引擎</param>
 /// <param name="pdfbytes">PDF文件byte数组</param>
 /// <param name="dpi">导出图片的分辨，分辨率越高越清晰，图片像素越大</param>
 /// <param name="pageAction">拆分第几页事件回调</param>
 /// <returns>PDF识别结果</returns>
 public static PDFOCRResult DetectTextPDF(this PaddleOCREngine engine, byte[] pdfbytes, float dpi = 150, Action<int> pageAction = null)

 

完整示例代码：

using PaddleOCRSharp;
namespace ConsoleApp
{
    internal class Program
    {
        static void Main(string[] args)
        {
            string pdf = "input.pdf";
            PaddleOCREngine engine = new PaddleOCREngine();
            DateTime dt1 = DateTime.Now;
            Action<int> action = new Action<int>(page => {
                Console.WriteLine($"正在处理第：{page}页");
            });
            var result = engine.DetectTextPDF(pdf,150, action);
            int pagecount = result.Pages.Count;
            Console.WriteLine($"总页数：{pagecount}");
            DateTime dt2 = DateTime.Now;
            foreach (var page in result.Pages)
            {
                Console.WriteLine(page.Text);
            }
            Console.WriteLine($"总耗时：{(dt2 - dt1).TotalMilliseconds}ms");
            Console.WriteLine($"平均耗时：{(dt2 - dt1).TotalMilliseconds / pagecount}ms");
            Console.ReadLine();
        }
    }
}

 

写在最后：

PaddleOCRSharp适合哪些场景

PaddleOCRSharp主要应用场景：

文档数字化处理： 对于大量的纸质文档，PaddleOCRSharp可以快速地将其转化为电子文档，方便存储、检索和编辑。这在企业级应用中尤为重要，如图书馆、档案馆、政府部门等需要对大量文档进行数字化处理的场景。

自动识别表单数据： 在需要自动化处理表单数据的场景中，PaddleOCRSharp可以识别表单中的文字信息，并将其转化为结构化数据。这大大提高了数据录入的效率和准确性，特别适用于银行、保险、医疗等行业需要处理大量表单数据的场景。

车牌识别： PaddleOCRSharp也支持车牌识别功能，可以准确地识别出车辆的车牌号码。这对于交通管理、停车场管理、安防监控等场景非常有用，可以帮助实现车辆的快速识别和追踪。

图像文字提取： 在需要从图像中提取文字信息的场景中，如从截图、图片或PDF文件中提取文字，PaddleOCRSharp都能提供高精度的识别结果。这对于研究人员、学者、学生等需要处理大量图像文字信息的用户来说非常便捷。

多语言识别： PaddleOCRSharp支持多种语言的识别，包括中文、英文等常用语言。这使得它可以在国际化的应用场景中发挥重要作用，如跨境电商、国际交流等领域。

定制化需求： 对于有特殊需求的用户，PaddleOCRSharp提供了丰富的接口和模型库，可以根据具体需求进行定制化和扩展。这为用户提供了更多的灵活性和可能性，可以满足不同场景下的特定需求。 PaddleOCRSharp凭借其强大的OCR功能和广泛的应用场景，成为了.NET开发者在处理OCR任务时的有力工具。无论是企业级应用还是个人开发者，都可以通过PaddleOCRSharp快速实现OCR功能，提高工作效率和数据处理的准确性。

项目地址：

码云：https://gitee.com/raoyutian/PaddleOCRSharp

Github: https://github.com/raoyutian/PaddleOCRSharp

 

欢迎加入QQ交流群：318860399进行技术交流