如何使用C#从扫描的PDF文档中提取文本？

Question

我正在用C#和.NET开发一个小应用程序来自动化一个目前是手动完成的过程。该应用程序正在寻找PDF文档中的特定模式，并根据该模式将其上传到任何需要的位置。它与PDF没有任何问题，PDF是用数字方式编写的(Word、Nodepad等)。然后转换成PDF格式。

后来我发现，将来使用的文件将是90%的扫描文件。事实证明，这是一个比我预期的更大的问题。我找到了多个第三方库，它们可以处理这个任务-> iText7、LeadTools、ABBYY、WhatsMate PDF到text API、SautinSoft .NET Offce Edition。问题是，他们都有报酬，而我负担不起其中任何一项。

我有一个想法，把PDF转换成任何图像类型(jpg，png，tiff等)并使用Tesseract OCR识别文本。问题是，我找不到一个免费使用的库来转换为图像类型.

关于这个问题，我征求任何意见。是否可以从扫描的PDF中免费提取文本？或者，是否可以将PDF转换成图像类型并免费使用OCR？

谢谢你抽出时间，如果我的问题没有按照正确的方式编排，我很抱歉。

Answer 1

免费的解决方案是NicomSoft OCR。你可以在网上找到网站。但是代码的一部分:加载扫描的PDF ->使OCR ->保存结果(Docx或->)：

        string pdfFile = pdfPath;
        string outFile = String.Empty;

        f.OpenPdf(pdfFile);
        if (f.PageCount > 0)
        {
            // To Docx.
            outFile = "Result.docx";
            f.WordOptions.Format = PdfFocus.CWordOptions.eWordDocument.Docx;
            if (f.ToWord(outFile) == 0)
                System.Diagnostics.Process.Start(new System.Diagnostics.ProcessStartInfo(outFile) { UseShellExecute = true });

            // To HTML.
            outFile = "Result.html";
            f.HtmlOptions.KeepCharScaleAndSpacing = false;
            if (f.ToHtml(outFile) == 0)
                System.Diagnostics.Process.Start(new System.Diagnostics.ProcessStartInfo(outFile) { UseShellExecute = true });
        }
        else
        {
            Console.WriteLine("Error: {0}!", f.Exception.Message);
            Console.ReadLine();
        }
    }
    public static byte[] PerformOCRNicomsoft(byte[] image)
    {
        NSOCRLib.NSOCRClass NsOCR;
        int CfgObj = 0;
        int OcrObj = 0;
        int ImgObj = 0;
        int SvrObj = 0;

        NsOCR = new NSOCRLib.NSOCRClass();
        NsOCR.Engine_SetLicenseKey("AB2A4DD5FF2A"); //required for licensed version only
        NsOCR.Engine_InitializeAdvanced(out CfgObj, out OcrObj, out ImgObj);

        // Scale
        NsOCR.Cfg_SetOption(CfgObj, TNSOCR.BT_DEFAULT, "ImgAlizer/AutoScale", "0");
        NsOCR.Cfg_SetOption(CfgObj, TNSOCR.BT_DEFAULT, "ImgAlizer/ScaleFactor", "4.0");

        NsOCR.Cfg_SetOption(CfgObj, TNSOCR.BT_DEFAULT, "Languages/English", "1");

        try
        {
            int res = 0;


            Array imgArray = null;
            using (MemoryStream ms = new MemoryStream(image))
            {
                ms.Flush();
                imgArray = ms.ToArray();
            }
            res = NsOCR.Img_LoadFromMemory(ImgObj, ref imgArray, imgArray.Length);
            if (res > TNSOCR.ERROR_FIRST)
                return null;

            NsOCR.Svr_Create(CfgObj, TNSOCR.SVR_FORMAT_PDF, out SvrObj);
            NsOCR.Svr_NewDocument(SvrObj);

            res = NsOCR.Img_OCR(ImgObj, TNSOCR.OCRSTEP_FIRST, TNSOCR.OCRSTEP_LAST, TNSOCR.OCRFLAG_NONE);
            if (res > TNSOCR.ERROR_FIRST)
                return null;




            res = NsOCR.Svr_AddPage(SvrObj, ImgObj, TNSOCR.FMT_EXACTCOPY);
            if (res > TNSOCR.ERROR_FIRST) return null;

            Array outPdf = null;
            NsOCR.Svr_SaveToMemory(SvrObj, out outPdf);

            return (byte[])outPdf;
        }
        finally
        {

        }
    }