C# PaddleOCRSharp.PDF 增加PDF识别-马育民老师

摘自：https://www.cnblogs.com/raoyutian/p/18927316

# 传统识别pdf的缺点

在实际项目中，经常会遇到需要从 PDF 文件中提取文本信息的需求。由于 PDF 文档通常包含多种格式和布局，直接使用 OCR 技术对其进行识别并不总是最优的选择。因此，在进行 OCR 之前，通常需要将 PDF 内容转换为图像文件，以便更有效地应用 OCR 算法。

一般步骤是：

1. 读取 PDF 文件：使用pdf库来读取 PDF 文件的内容。这些库可以解析 PDF 文档，并提取页面内容。

2. 将 PDF 页面转换为图像：利用 PDF 库，它可以将每一页的 PDF 内容转换为单独的图像文件或直接保存为多页图像文件。

3. 处理图像质量：转换后的图像可能需要进一步优化。例如，可以通过调整分辨率、对比度等参数来提高 OCR 识别的效果。

4. 应用 OCR 技术：使用如 PaddleOCR、Tesseract 或其他 OCR 库对转换后的图像进行文字识别。

# 新方式

PaddleOCRSharp目前增加扩展组件库 `PaddleOCRSharp.PDF` ，在nuget上安装PaddleOCRSharp包之后再安装PaddleOCRSharp.PDF包即可。

### 添加依赖

[![](https://www.malaoshi.top/upload/0/0/1GW1PtAmOPCO.png)](https://www.malaoshi.top/upload/0/0/1GW1PtAmOPCO.png)

### 代码

关键代码也就一行。
```
PaddleOCREngine engine = new PaddleOCREngine();

var result = engine.DetectTextPDF(“PDF文件或者byte数组”);
```

返回结果是一个对象包含一个Pages属性，Pages属性包含PDF的每一页的OCRResult信息。OCRResult就是PaddleOCRSharp的OCR图片识别结果，包含文本坐标置信度等信息。
```
public class PDFOCRResult
{
    //
    // 摘要:
    //     PDF识别每页结果集合
    public List<OCRResult> Pages { get; set; } = new List<OCRResult>();

}
```
PaddleOCRSharp.PDF包含两个重载方法，分别满足传参文件路径和文件流。
```
/// <summary>
/// PDF识别
/// </summary>
/// <param name="engine">OCR引擎</param>
/// <param name="pdffile">PDF文件</param>
/// <param name="dpi">导出图片的分辨，分辨率越高越清晰，图片像素越大</param>
/// <param name="pageAction">拆分第几页事件回调</param>
/// <returns>PDF识别结果</returns>
public static PDFOCRResult DetectTextPDF(this PaddleOCREngine engine, string pdffile, float dpi = 150, Action<int> pageAction = null)

/// <summary>
 /// PDF识别
 /// </summary>
 /// <param name="engine">OCR引擎</param>
 /// <param name="pdfbytes">PDF文件byte数组</param>
 /// <param name="dpi">导出图片的分辨，分辨率越高越清晰，图片像素越大</param>
 /// <param name="pageAction">拆分第几页事件回调</param>
 /// <returns>PDF识别结果</returns>
 public static PDFOCRResult DetectTextPDF(this PaddleOCREngine engine, byte[] pdfbytes, float dpi = 150, Action<int> pageAction = null)
```

完整示例代码：
```
using PaddleOCRSharp;
namespace ConsoleApp
{
    internal class Program
    {
        static void Main(string[] args)
        {
            string pdf = "input.pdf";
            PaddleOCREngine engine = new PaddleOCREngine();
            DateTime dt1 = DateTime.Now;
            Action<int> action = new Action<int>(page => {
                Console.WriteLine($"正在处理第：{page}页");
            });
            var result = engine.DetectTextPDF(pdf,150, action);
            int pagecount = result.Pages.Count;
            Console.WriteLine($"总页数：{pagecount}");
            DateTime dt2 = DateTime.Now;
            foreach (var page in result.Pages)
            {
                Console.WriteLine(page.Text);
            }
            Console.WriteLine($"总耗时：{(dt2 - dt1).TotalMilliseconds}ms");
            Console.WriteLine($"平均耗时：{(dt2 - dt1).TotalMilliseconds / pagecount}ms");
            Console.ReadLine();
        }
    }
}
```

原文出处：http://malaoshi.top/show_1GW1PtCXjA3T.html