新浪博客

Aspose.OCR for .NET实现从PDF文件中提取文本和图片

2011-07-21 11:29阅读：

http://blog.sina.cn/dpool/blog/u/1566342870

　　从PDF文件中提取文字是开发人员对PDF文件最常见、最普通的需求。Aspose.Pdf for .NET虽然允许你从.net程序的PDF文件中提取文字，但是它也有不完善之处。唯一的限制就是，不能从PDF文件中的图像提取文字。
　　然而，Aspose.OCR for .NET的出现消除了该限制。在这篇文章中，通过分享一些细节来阐述如何一起使用Aspose.OCR for .NET和Aspose.Pdf for .NET这两款组件，以提取PDF文件中的所有文字。
　　目前， Aspose.OCR for .NET允许你提取TIFF和BMP图像中的文字。它支持Arial和Times New Roman字体，以及16pt/32pt号字体。在Aspose.OCR for .NET以后的版本中，会不断添加新字体和其他属性的支持。
　　为了从PDF文件和图像中完整地提取文字，你必须要经过以下三个步骤：
* Extract Text from the PDF File
* Extract Images from the PDF File
* Extract Text from the Images
　　使用Facades中的PdfExtractor或者DOM API，可将文字从PDF文件中提取出来。请参阅以下题目中的代码示例，以便了解从PDF文件中提取文字的相关操作：
* Extract Text from PDF using DOM API
* Extract Text from PDF using Facades

　　提取图像也有两种方法: Facades or DOM API. 查看下列题目中的内容可进一步了解详情
：
* Extract Images from PDF using DOM API
* Extract Images from PDF using Facades
　　一旦使用上述两种方法之一成功提取图像，接下来就应该从这些图像中提取文字。下面的代码片断可以帮助您从图像中提取文字：
　　//initialize OcrEngine
OcrEngine ocrEngine = new OcrEngine();
//set the image
ocrEngine.Image = ImageStream.FromFile(“image.bmp”);
　　//add language and other attributes
ocrEngine.Languages.AddLanguage(Language.Load(“english”));
ocrEngine.Config.NeedRotationCorrection = false;
ocrEngine.Config.UseDefaultDictionaries = true;
　　//load the resource file
ocrEngine.Resource = new FileStream(“2011.07.02 v1.0 Aspose.OCR.Resouces.zip”, FileMode.Open);
　　//process the whole image
if (ocrEngine.Process())
{
Console.WriteLine(“Text :{0}”,ocrEngine.Text);
}
　　有关从图像中提取文字和以上示例所涉及的源文件的更多详情，请参考：Perform OCR on Image
　　

我的更多文章

下载客户端阅读体验更佳

APP专享