65.9K
CodeProject 正在变化。 阅读更多。
Home

将扫描文档图像转换为可搜索 PDF（使用 OCR）

Bill Bither
emptyStarIconemptyStarIconemptyStarIconemptyStarIconemptyStarIcon

0/5 (0投票)

2006年12月1日

CPOL

5分钟阅读

viewsIcon

169069

downloadIcon

4693

演示了如何使用Atalasoft的DotImage GlyphReader OCR，使.NET应用程序能够将纸质文档数字化为可搜索的PDF，以便搜索引擎进行索引。

引言

从病历、税务表格、保险索赔，到旧备忘录、杂志和书籍；企业每天都在将纸质文件数字化。随着搜索引擎技术的进步，为所有这些文档提供可搜索文本显然是明智之举。常用的方法是使用OCR（光学字符识别）将图像转换为索引器已知的文档格式，但缺点是我们通常会丢失原始文档的布局、图像和颜色——此外，由于没有OCR是完美的，我们需要原始图像来修复错误。我们想要的是一种文档格式，在人类看来与原始图像一样，但在索引器看来则像纯文本。而且，当我们从图像中复制时，我们希望将文本放到剪贴板上。这就是可搜索PDF的承诺。

在可搜索PDF中，原始扫描图像被保留，因此任何人都可以阅读文档。通过OCR提取的文本内容被放置在图像后面，以便搜索索引器可以看到它，并且Acrobat Reader允许我们将其选择为文本。桌面和企业搜索的普及、OCR准确性的不断提高以及PDF的大规模采用，是使可搜索PDF成为数字化纸质文档理想格式的强大组合。

本文将演示如何轻松开发一个应用程序，该应用程序可以从扫描文档生成这些可搜索的PDF，以便Google、Sharepoint、Microsoft桌面搜索以及其他索引PDF文档的应用程序进行索引。

为了帮助构建此应用程序，Atalasoft提供了一个OCR框架，该框架简化了与行业领先的OCR引擎以及我们自己的高精度引擎GlyphReader的协作。可以通过atalasoft.com下载Atalasoft DotImage Document Imaging SDK的免费30天试用版，包括OCR模块、GlyphReader以及所有其他附加组件。

使用我们的框架，这些步骤将为您处理：

  1. 解压缩图像
  2. 预处理图像以提高OCR准确性（包括清理或纠偏）
  3. OCR图像以提取文本。
  4. 以多种格式重新编码图像，包括CCIT Group 4、JBIG2、JPEG或JPEG2000，以获得绝对最小的文件大小。
  5. 构建一个包含图像和提取文本的PDF，其中每个单词都准确地放置在图像的相应位置下方。

Atalasoft的OCR框架包含一个灵活的Translator接口，用于生成识别过程的输出。例如，TextTranslator开箱即用，并生成文本流。Searchable PDF Module包含PdfTranslator，用于生成纯文本PDF或带隐藏文本的图像PDF。两者都是“可搜索的”，但后者包含原始图像，也是我们将要使用的。

本文将使用以下两页的彩色TIFF作为OCR源文档。此处显示的是原始扫描TIFF的较低分辨率图像（这是Atalasoft最近的一篇白皮书，已打印并彩色扫描）。

将文本提取到文本文件中

让我们从一个简单地将文本提取到文件中的方法开始。首先，我们必须创建一个ImageSource对象，以有效地处理多页图像文件。然后，我们创建OCR引擎，初始化它，将其翻译为所需的MIME类型，然后关闭引擎。

void MakeText(string inFile, string outFile)
{
    using (FileSystemImageSource fis = 
           new FileSystemImageSource(new string[1] { inFile }, true))
    {
        GlyphReaderEngine ocr = new GlyphReaderEngine();
        ocr.Initialize();
        ocr.Translate(fis, "text/plain", outFile);
        ocr.ShutDown();
    }
}

生成的文本文件显然与原始文档完全不像，但它确实包含了文本。它也没有存储在与图像相同的文件中。我们可以做得更好。

创建可搜索的PDF

对于下一个代码示例，我们将使用PdfTranslator创建可搜索的PDF。为此，我们需要：

  1. 创建PdfTranslator的实例
  2. 将其OutputType设置为TextUnderImage（创建可搜索PDF）
  3. 将其添加到OcrEngine的Translators集合中（因为它是附加组件，所以未预先注册）
  4. 使用引擎进行翻译，并将输出MIME类型设置为“application/pdf”

这是代码

void MakePdf(string inFile, string outFile)
{
    using (FileSystemImageSource fis = 
           new FileSystemImageSource(new string[1] { inFile }, true))
    {
        GlyphReaderEngine ocr = new GlyphReaderEngine();
        PdfTranslator pdfTrans = new PdfTranslator();
        pdfTrans.OutputType = PdfTranslatorOutputType.TextUnderImage;
        ocr.Translators.Add(pdfTrans);
        ocr.Initialize();
        ocr.Translate(fis, "application/pdf", outFile);
        ocr.ShutDown();
    }
}

结果是一个高质量的可搜索PDF！当在Acrobat Reader中打开PDF时（请参阅下面的截图），文档中的所有文本都可以作为真实文本进行选择，尽管此PDF的可视部分是实际的彩色栅格化图像。

OCR引擎和PDF Translator处理了所有必要的细节，包括纠偏图像、存储图像、生成准确的OCR、压缩图像、将识别出的文本准确地放置在图像的正确位置下方，以及生成PDF文档。

仅仅在文件系统上拥有此文件，Google Desktop Search或Windows Desktop Search就会正确地索引该文档，并且该文档看起来与原始文档完全相同。

产品要求

要将可搜索PDF生成添加到您的应用程序中，您将需要Atalasoft的以下产品：

  • DotImage Document Imaging SDK
  • OCR GlyphReader Engine Module（运行时需要额外付费）
  • OCR Searchable PDF Module（包含20个运行时）

所有这些都包含在DotImage SDK中，您可以下载并免费评估30天。请务必申请所需产品的评估许可证。本文附加了生成的PDF和C# 2.0源代码，这是一个简单的控制台应用程序，其中第一个参数是输入图像文件，第二个参数是生成的搜索PDF文件。

Archives（归档）

© . All rights reserved.