本页内容
OCR
概述
OCR (光学字符识别) 是将扫描文档、文档照片、场景照片（例如风景照片中标志和广告牌上的文本）以及叠加在图像上的字幕等文本，转换为机器编码文本的过程。
OCR 常用于对以下文档的文字识别和提取：
- 不可编辑的扫描档 PDF 文件
- 文档照片
- 广告排、标牌等场景照片
- 身份证、护照、车牌等牌照
- 发票、账单、收据等票据
以下是支持 OCR 的功能：
- PDF 转 Word
- PDF 转 Excel
- PDF 转 PPT
- PDF 转 HTML
- PDF 转 RTF
- PDF 转 TXT
- PDF 转 CSV
- PDF 文本提取
- PDF 表格提取
OCR 目前支持的语言包括：
| Script / Notes | 语言 | 语言 (英文名称) | 语言（中文名称） |
|---|---|---|---|
| Latn; American | English | English | 英文 |
| Latn; Canadian | Français canadien | French | 法文 |
| Hans/Hant | 中文简体 | Chinese (Simplified) | 简体中文 |
| Hans/Hant | 中文繁体 | Chinese (Traditional) | 繁体中文 |
| Jpan | 日本語 | Japanese | 日文 |
| Kore | 한국어 | Korean | 韩文 |
| Latn | Deutsch | German | 德文 |
| Latn | Српски (латиница) | Serbian (latin) | 塞尔维亚语（拉丁字母） |
| Latn | Occitan, lenga d'òc, provençal | Occitan | 奥克西坦语 |
| Latn | Dansk | Danish | 丹麦文 |
| Latn | Italiano | Italian | 意大利文 |
| Latn; European | Español | Spanish | 西班牙文 |
| Latn; European | Português (Portugal) | Portuguese | 葡萄牙文 |
| Latn | Te reo Māori | Maori | 毛利文 |
| Latn | Bahasa Melayu | Malay | 马来文 |
| Latn | Malti | Maltese | 马耳他文 |
| Latn | Nederlands | Dutch | 荷兰文 |
| Latn; Bokmål | Norsk | Norwegian | 挪威文 |
| Latn | Polski | Polish | 波兰文 |
| Latn | Română | Romanian | 罗马尼亚文 |
| Latn | Slovenčina | Slovak | 斯洛伐克文 |
| Latn | Slovenščina | Slovenian | 斯洛文尼亚文 |
| Latn | shqip | Albanian | 阿尔巴尼亚文 |
| Latn | Svenska | Swedish | 瑞典文 |
| Latn | Swahili | Swahili | 斯瓦希里文 |
| Latn | Wikang Tagalog | Tagalog | 塔加洛文 |
| Latn | Türkçe | Turkish | 土耳其文 |
| Latn | oʻzbekcha | Uzbek | 乌兹别克文 |
| Latn | Tiếng Việt | Vietnamese | 越南文 |
| Latn | Afrikaans | Afrikaans | 南非荷兰文 |
| Latn | Azərbaycan | Azerbaijani | 阿塞拜疆文 |
| Latn | Bosanski | Bosnian | 波斯尼亚文 |
| Latn | Čeština | Czech | 捷克文 |
| Latn | Cymraeg | Welsh | 威尔士文 |
| Latn | Eesti keel | Estonian | 爱沙尼亚文 |
| Latn | Gaeilge | Irish | 爱尔兰文 |
| Latn | Hrvatski | Croatian | 克罗地亚文 |
| Latn | Magyar | Hungarian | 匈牙利文 |
| Latn | Bahasa Indonesia | Indonesian | 印度尼西亚文 |
| Latn | Íslenska | Icelandic | 冰岛文 |
| Latn | Kurdî | Kurdish | 库尔德文 |
| Latn | Lietuvių | Lithuanian | 立陶宛文 |
| Latn | Latviešu | Latvian | 拉脱维亚文 |
是否包含 OCR 背景图
当开启 OCR 功能并且目标转换格式为 Word、PPT、RTF 或者 HTML 时需要留意是否设置IsContainOCRBgImage选项。如果选择了IsContainOCRBgImage选项，则会在目标文档里面写入一张大的背景图作为底图，文本与表格图层将会展示在这张底图上。如果没有选择IsContainOCRBgImage选项，则会基于版面分析提取 PDF 页面上的图片并将其写入目标文档中。
将图片转换为其他文档格式
OCR 功能还支持将输入的图片转换为Word、Excel、PPT、HTML、CSV、RTF、TXT、Json等格式，此示例展示了如何使用 ComPDFKit OCR 功能将图片文档转换为 docx 文档。
c#
// 支持jpg，jpeg，png，bmp格式
string inputFilePath = "***.jpg";
string outputFolderPath = "***";
string outputFileName = "***";
CPDFConverterWord converter = CPDFConvertFactroy.CreateConverter(CPDFConvertType.CPDFConvertTypeWord, inputFilePath) as CPDFConverterWord;
CPDFConvertWordOptions wordOptions = new CPDFConvertWordOptions();
wordOptions.IsAllowOCR = true;
wordOptions.OCRLanguage = ComDocumentAIOCR.Language.ENGLISH;
wordOptions.LayoutOpts = LayoutOptions.RetainPageLayout;
int pageCount = converter.GetPagesCount();
int[] pageArray = new int[pageCount];
for (int i = 0; i < pageArray.Length; i++)
{
pageArray[i] = i + 1;
}
ConvertError error = ConvertError.ERR_UNKNOWN;
converter.Convert(outputFolderPath, ref outputFileName, wordOptions, pageArray, ref error, getPorgress);注意事项
- OCR 结果的质量与输入的图像质量有关，如果输入的图像分辨率较低那么 OCR 的结果质量也会受影响，一个好的经验法则是，字形中的像素越多越好，如果字形边界框小于 20x20 像素，OCR 质量就会开始呈指数级下降，理想的图像是分辨率在 300 DPI 附近的灰度图像。
- 进行 OCR 识别时需要留意设置 OCR 语言，确保选择的 OCR 语言与 PDF 文档中的语言保持一致，以获取最佳的 OCR 转换质量。
- 当开启 OCR 选项时，
IsContainImages选项将不再起作用，此时 PDF 中的图片将通过IsContainOCRBgImage选项来控制。
集成 OCR 库
- 添加 "lib" 中的 "DocumentAI_Windows_NetFramework.dll" 到项目中并引用。
- 将 "x64" 文件夹中的文件 "DocumentAI.dll" , "onnxruntime.dll" 和 "paddle2onnx.dll" 包含到项目中，并将Copy to Output Directory属性设置为Copy if newer。
- 设置选项参数
options.IsAllowOCR为 true。 - OCR功能目前不支持低于Windows10的操作系统。
示例
此示例演示了如何在扫描文档上使用 ComPDFKit Conversion SDK 的 OCR 功能，将 PDF 文档转换为 Word 文档。
c#
string inputFilePath = "***";
string outputFolderPath = "***";
string outputFileName = "***";
CPDFConverterWord converter = CPDFConvertFactroy.CreateConverter(CPDFConvertType.CPDFConvertTypeWord, inputFilePath) as CPDFConverterWord;
CPDFConvertWordOptions wordOptions = new CPDFConvertWordOptions();
wordOptions.IsAllowOCR = true;
wordOptions.OCRLanguage = ComDocumentAIOCR.Language.ENGLISH;
wordOptions.IsContainAnnotations = true;
wordOptions.IsContainImages = true;
wordOptions.LayoutOpts = LayoutOptions.RetainPageLayout;
int pageCount = converter.GetPagesCount();
int[] pageArray = new int[pageCount];
for (int i = 0; i < pageArray.Length; i++)
{
pageArray[i] = i + 1;
}
ConvertError error = ConvertError.ERR_UNKNOWN;
converter.Convert(outputFolderPath, ref outputFileName, wordOptions, pageArray, ref error, getPorgress);