同时接收光栅和可搜索的PDF文件令人头疼？OCR简单处理！-CSDN博客

LEADTOOLS中的高级OCR SDK技术是多方面的，可以作为独立功能使用，也可以作为表单识别、支票识别和文档转换等更先进技术的驱动力。程序员自己可以编写三行代码来将图像转换为可搜索文本的文档。

LEADTOOLS OCR Module - LEAD Engine（原Advantage Engine ）增加了将光学字符识别(OCR)和智能字符识别（ICR）技术合并到应用程序中的一些方法，并且包含用于开发稳健的，高性能的和可扩展的图像识别方案所需要的一切技术。LEADTOOLS OCR Module - LEAD Engine可与LEADTOOLS SDKs在文档和医疗产品方面集成在一起使用。

点击下载LEADTOOLS OCR Module - LEAD Engine试用版

同时接收光栅和可搜索的PDF文件是一件非常让人头疼的事情，特别是对于那些每天从客户那里获取这些文件的人来说。LEADTOOLS OCR和PDF SDK使开发人员更容易检查这些文件是否需要OCR。

在PDF中有三种不同的对象类型：

文本
长方形
图片

这篇文章，将向您展示如何从存储的PDF中检查所有对象类型，然后计算是否需要使用OCR SDK将PDF转换为可搜索的PDF。

在应用程序启动时，您需要启动OCR引擎，以防您不得不启动OCR任何文件。引擎启动后，我们将要查看指定文件夹中的每个PDF。对于找到的每个文件，将其加载为PDFDocument并使用ParsePages解析页面，同时设置PDFParseOptions为仅查看对象。

查看完所有对象后，将所有非文本对象与找到的所有对象进行比较。如果超过10％的对象是非文本对象，那么可以假设大部分PDF都是不可搜索的，并且您将要对文档进行OCR处理。

string[] pdfFolder = Directory.GetFiles(@"D:∖temp∖PDFs", "*.pdf");// Start OCR Engineusing (IOcrEngine ocrEngine = OcrEngineManager.CreateEngine(OcrEngineType.LEAD, false)){
    ocrEngine.Startup(null, null, null, @"C:∖LEADTOOLS 20∖Bin∖Common∖OcrLEADRuntime");
    foreach (string file in pdfFolder)
    {
        Console.WriteLine($"Reading {file}");
        using (PDFDocument document = new PDFDocument(file))
        {
            PDFParsePagesOptions options = PDFParsePagesOptions.Objects;
            document.ParsePages(options, 1, -1);
            int totalPdfObjects = 0;
            int totalNonTextObjects = 0;
            foreach (PDFDocumentPage page in document.Pages)
            {
                int i = page.PageNumber;
                IList objects = page.Objects;
                foreach (PDFObject obj in objects)
                {
                    totalPdfObjects++;
                    if (obj.ObjectType != PDFObjectType.Text)
                    {
                        totalNonTextObjects++;
                    }
                }
            }
            double percentage = ((double)totalNonTextObjects / totalPdfObjects);
            if (percentage > .1)
            {
                Console.ForegroundColor = ConsoleColor.Green;
                Console.WriteLine($"Performing OCR on {file}∖n");
                using (RasterCodecs codecs = new RasterCodecs())
                using (RasterImage image = codecs.Load(file, 0, CodecsLoadByteOrder.RgbOrGray, 1, -1))
                    DoOCR(image, ocrEngine, file);
            }
            else
            {
                Console.WriteLine($"{file} does not need OCR∖n");
            }
        }
        Console.ForegroundColor = ConsoleColor.White;
    }}Console.WriteLine("Finished");Console.ReadLine();

以下是上述DoOCR(image, ocrEngine, file)方法的代码。

private static void DoOCR(RasterImage image, IOcrEngine ocrEngine, string fileName){
        using (IOcrDocument ocrDocument = ocrEngine.DocumentManager.CreateDocument())
        {
            ocrDocument.Pages.AddPages(image, 1, -1, null);
            ocrDocument.Pages.AutoPreprocess(OcrAutoPreprocessPageCommand.All, null);
            ocrDocument.Pages.Recognize(null);
            // Save the document we have as PDF
            ocrDocument.Save($@"D:∖temp∖NewPDFs∖{Path.GetFileNameWithoutExtension(fileName)}_OCR.pdf", DocumentFormat.Pdf, null);
        }}

转载于:https://my.oschina.net/u/4164993/blog/3078212