【扫描件PDF】如何批量识别扫描件PDF多个区域内容保存到Excel表格，基于WPF和腾讯OCR的详细解决方案
在很多实际业务场景中，需要对大量扫描件 PDF 中的特定区域内容进行识别并整理到 Excel 表格里，以下是一些常见的应用场景：物流运单扫描件 PDF 中包含发货人信息、收货人信息、货物信息等。批量识别这些区域内容到 Excel 表格，有助于物流企业对订单信息进行管理和跟踪。
详细代码步骤
1. 准备工作
- 创建 WPF 项目：打开 Visual Studio，创建一个新的 WPF 应用程序项目。
- 注册腾讯云账号并开通 OCR 服务：访问腾讯云官网（腾讯云 产业智变·云启未来 - 腾讯），注册账号并开通 OCR 服务，获取 API 密钥（SecretId 和 SecretKey）。
- 安装必要的 NuGet 包：在 Visual Studio 中，右键点击项目，选择 “管理 NuGet 包”，搜索并安装
Newtonsoft.Json用于处理 JSON 数据，以及RestEase用于进行 HTTP 请求。
2. 设计 WPF 界面
在 MainWindow.xaml 文件中设计一个简单的界面，包含选择 PDF 文件夹按钮、开始识别按钮和显示识别结果的文本框，代码如下：
xml
<Window x:Class="PdfOcrToExcel.MainWindow"
xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation"
xmlns:x="http://schemas.microsoft.com/winfx/2006/xaml"
Title="批量识别扫描件 PDF 内容到 Excel" Height="350" Width="525">
<Grid>
<Button Content="选择 PDF 文件夹" HorizontalAlignment="Left" Margin="10,10,0,0" VerticalAlignment="Top" Width="150" Click="SelectPdfFolder_Click"/>
<TextBox x:Name="txtPdfFolderPath" HorizontalAlignment="Left" Height="23" Margin="170,10,0,0" TextWrapping="Wrap" VerticalAlignment="Top" Width="300" IsReadOnly="True"/>
<Button Content="开始识别" HorizontalAlignment="Left" Margin="10,50,0,0" VerticalAlignment="Top" Width="150" Click="StartRecognition_Click"/>
<TextBox x:Name="txtResult" HorizontalAlignment="Left" Height="200" Margin="10,90,0,0" TextWrapping="Wrap" VerticalAlignment="Top" Width="500" IsReadOnly="True"/>
</Grid>
</Window>
3. 实现逻辑代码
在 MainWindow.xaml.cs 文件中实现选择文件夹、识别 PDF 区域内容并保存到 Excel 的逻辑，代码如下：
csharp
using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using System.Windows;
using Newtonsoft.Json;
using RestEase;
using Spire.Pdf;
using Spire.Pdf.Graphics;
using Spire.Xls;
// 定义腾讯 OCR API 接口
[SerializationMethods(Query = QuerySerializationMethod.Serialized)]
public interface ITencentOcrApi
{
[Post("https://ocr.tencentcloudapi.com/")]
Task<HttpResponseMessage> DetectGeneralText([Body(BodySerializationMethod.UrlEncoded)] Dictionary<string, string> parameters);
}
namespace PdfOcrToExcel
{
public partial class MainWindow : Window
{
private string pdfFolderPath;
private const string SecretId = "your_secret_id";
private const string SecretKey = "your_secret_key";
public MainWindow()
{
InitializeComponent();
}
private void SelectPdfFolder_Click(object sender, RoutedEventArgs e)
{
var dialog = new System.Windows.Forms.FolderBrowserDialog();
System.Windows.Forms.DialogResult result = dialog.ShowDialog();
if (result == System.Windows.Forms.DialogResult.OK)
{
pdfFolderPath = dialog.SelectedPath;
txtPdfFolderPath.Text = pdfFolderPath;
}
}
private async void StartRecognition_Click(object sender, RoutedEventArgs e)
{
if (string.IsNullOrEmpty(pdfFolderPath))
{
MessageBox.Show("请先选择 PDF 文件夹！");
return;
}
// 创建 Excel 工作簿
Workbook workbook = new Workbook();
Worksheet worksheet = workbook.Worksheets[0];
int rowIndex = 1;
// 遍历 PDF 文件夹中的所有 PDF 文件
string[] pdfFiles = Directory.GetFiles(pdfFolderPath, "*.pdf");
foreach (string pdfFile in pdfFiles)
{
try
{
// 加载 PDF 文件
PdfDocument pdf = new PdfDocument();
pdf.LoadFromFile(pdfFile);
// 假设需要识别的区域（这里简单示例一个区域，可根据实际情况修改）
PdfRectangle rect = new PdfRectangle(100, 100, 200, 50);
// 将 PDF 页面转换为图片
System.Drawing.Bitmap image = pdf.Pages[0].ToImage(0, rect);
byte[] imageBytes = ImageToByteArray(image);
// 调用腾讯 OCR 进行识别
string ocrResult = await PerformOcr(imageBytes);
// 将识别结果写入 Excel 单元格
worksheet.Range[rowIndex, 1].Text = Path.GetFileName(pdfFile);
worksheet.Range[rowIndex, 2].Text = ocrResult;
rowIndex++;
pdf.Close();
}
catch (Exception ex)
{
MessageBox.Show($"处理文件 {pdfFile} 时出错：{ex.Message}");
}
}
// 保存 Excel 文件
workbook.SaveToFile("ExtractedData.xlsx", ExcelVersion.Version2013);
MessageBox.Show("信息提取完成，已保存为 ExtractedData.xlsx");
}
private byte[] ImageToByteArray(System.Drawing.Bitmap image)
{
using (MemoryStream ms = new MemoryStream())
{
image.Save(ms, System.Drawing.Imaging.ImageFormat.Jpeg);
return ms.ToArray();
}
}
private async Task<string> PerformOcr(byte[] imageBytes)
{
var api = RestClient.For<ITencentOcrApi>("https://ocr.tencentcloudapi.com/");
// 生成签名等参数（此处简化，实际需根据腾讯云文档生成正确签名）
var parameters = new Dictionary<string, string>
{
{ "Action", "DetectGeneralText" },
{ "Version", "2018-11-19" },
{ "Region", "ap-guangzhou" },
{ "SecretId", SecretId },
{ "Timestamp", DateTimeOffset.UtcNow.ToUnixTimeSeconds().ToString() },
{ "Nonce", new Random().Next(100000).ToString() },
{ "ImageBase64", Convert.ToBase64String(imageBytes) }
};
// 调用 API
var response = await api.DetectGeneralText(parameters);
string responseContent = await response.Content.ReadAsStringAsync();
// 解析 JSON 结果
var result = JsonConvert.DeserializeObject<dynamic>(responseContent);
string text = "";
if (result.Response.TextDetections != null)
{
foreach (var detection in result.Response.TextDetections)
{
text += detection.DetectedText;
}
}
return text;
}
}
}
4. 代码解释
- 选择 PDF 文件夹：点击 “选择 PDF 文件夹” 按钮，弹出文件夹选择对话框，用户选择包含扫描件 PDF 的文件夹，选择结果会显示在文本框中。
- 开始识别：点击 “开始识别” 按钮，程序会遍历所选文件夹中的所有 PDF 文件。对于每个 PDF 文件，将指定区域转换为图片，调用腾讯 OCR API 进行文字识别，将识别结果和文件名写入 Excel 表格。最后保存 Excel 文件为
ExtractedData.xlsx。 - 腾讯 OCR 调用：使用
RestEase库进行 HTTP 请求，将图片转换为 Base64 编码后作为参数传递给腾讯 OCR API。解析 API 返回的 JSON 结果，提取识别出