C# 读取图片和扫描PDF中的文本

目录

引言

安装C# OCR库

C# 提取图片的文本

C# 提取图片的文本及其坐标信息

C# 提取扫描PDF的文本

注意事项

---

引言

从图片或扫描的 PDF 中提取文本是许多应用程序的常见需求。光学字符识别 (OCR) 是一项使计算机能够识别此类文档并从中提取文本的技术。有了它，我们可以轻松地将图片和扫描的 PDF 转换为可编辑和可搜索的文本格式，从而更轻松地处理和分析文档内容。本博客将探讨如何使用C#和OCR库实现从图片和扫描的 PDF 中提取文本。

• C# 提取图片的文本
• C# 提取图片的文本及其坐标信息
• C# 提取扫描PDF的文本

安装C# OCR库

为了从图片中提取文本，本文将利用Spire.OCR for .NET库。Spire.OCR for .NET 是一个OCR文字识别库，专为在 .NET 应用程序中识别图片的文本而设计。它支持多种图片格式，如 BMP、JPG、PNG、TIFF 和 GIF。

以下是安装 Spire.OCR for .NET 的步骤：

• 将解决方案的平台目标更改为 x64。

• 在 NuGet 包管理器控制台中执行以下命令来从NuGet安装 Spire.OCR：

Install-Package Spire.OCR

• 打开解决方案的文件夹并进入到“packages\Spire.OCR.1.8.0\runtimes\win-x64\native”目录。将此目录下的所有DLL 文件复制并粘贴到解决方案的“Debug”文件夹中。

由于该OCR库并不支持直接处理PDF，因此要从扫描的 PDF 中提取文本，我们首先需要将 PDF 文档转换为图片。对于此任务，我们将使用Spire.PDF for .NET库。转换完成后，再利用 Spire.OCR 从生成的图片中提取文本。

你可以在 NuGet 包管理器控制台中执行以下命令来安装Spire.PDF for .NET：

Install-Package Spire.PDF

C# 提取图片的文本

Spire.OCR 提供OcrScanner.Scan()方法来识别图片中的文本。识别后，可以使用OcrScanner.Text属性获取识别的文本。