Speichern von OCR-Ergebnissen als hOCR HTML in C#35; mit IronOCR

Warum ist die Einstellung von RenderHocr wichtig?

Wenn die Eigenschaft RenderHocr auf true gesetzt wird, weist IronOCR an, die erforderliche hOCR-Struktur während des OCR-Prozesses zu erzeugen. Ohne diese Konfiguration erzeugen die Methoden SaveAsHocrFile und SaveAsHocrString keine korrekt formatierte hOCR-Ausgabe unter Beibehaltung des Layouts. Diese Konfiguration muss vor dem Aufruf der Read Methode festgelegt werden, da sie Einfluss darauf hat, wie die Tesseract-Engine die Ausgabedaten verarbeitet und strukturiert.

Das hOCR-Format bewahrt wichtige Metadaten, darunter:

• Bounding Boxes auf Zeichenebene
• Wortkonfidenz-Werte
• Zeilen- und Absatzstruktur
• Seitenabmessungen und DPI-Informationen
• Merkmale der Schriftart, sofern erkennbar

Diese Metadaten sind besonders nützlich bei der Implementierung von Computer Vision-Workflows oder beim Aufbau von Systemen, die die Struktur von Dokumenten über die einfache Textextraktion hinaus verstehen müssen.

Welche Dateitypen unterstützen den hOCR-Export?

IronOCR unterstützt den hOCR-Export aus verschiedenen Bildformaten wie TIFF, PNG, JPEG, BMP und GIF. PDF-Dokumente können ebenfalls verarbeitet und als hOCR exportiert werden, wobei die Text- und Layoutinformationen jeder Seite in der HTML-Struktur erhalten bleiben. Die Bibliothek verarbeitet sowohl einseitige Bilder als auch mehrseitige Dokumente nahtlos.

Für optimale Ergebnisse mit verschiedenen Dateitypen:

• TIFF: Ideal für gescannte Dokumente, unterstützt mehrseitige Verarbeitung
• PDF: Hervorragend geeignet für gemischte Inhalte (Text und Bilder)
• PNG/JPEG: Am besten geeignet für Fotos oder Screenshots, die OCR erfordern
• BMP: Unkomprimiertes Format, geeignet für hochwertige Scans

Bei speziellen Dokumenttypen wie Reisepässen oder Lizenzschildern hilft das hOCR-Format dabei, die räumlichen Beziehungen zwischen verschiedenen Textelementen zu erhalten, so dass es einfacher wird, bestimmte Felder anhand ihrer Position zu extrahieren.

Wann sollte ich String-Ausgabe anstelle von Dateien verwenden?

Die String-Ausgabe ist ideal, wenn Sie die hOCR-Daten im Speicher verarbeiten oder manipulieren, mit Webdiensten integrieren oder Ergebnisse in einer Datenbank speichern müssen. Dieser Ansatz vermeidet Abhängigkeiten vom Dateisystem und ermöglicht eine dynamische HTML-Generierung für Webanwendungen. Häufige Anwendungsfälle umfassen:

• Web-API-Integration: Rückgabe von hOCR-Daten direkt in API-Antworten
• Datenbankspeicherung: Speichern von OCR-Ergebnissen mit Dokument-Metadaten
• Echtzeit-Verarbeitung: Verarbeiten Sie Ergebnisse ohne Festplatten-E/A-Overhead
• Cloud-Funktionen: Arbeiten in serverlosen Umgebungen mit begrenztem Dateizugriff
• Inhaltsverwaltungssysteme: Integration von OCR-Ergebnissen in bestehende Dokumenten-Workflows

Für Anwendungen, die eine Fortschrittskontrolle erfordern, ermöglicht die String-Ausgabe die sofortige Verarbeitung von Teilergebnissen, sobald diese verfügbar sind. Dies ist besonders bei der Implementierung von Multithreaded OCR-Verarbeitung von Vorteil, wenn mehrere Dokumente gleichzeitig verarbeitet werden.

Wie kann ich mehrere Seiten zu HTML-Strings verarbeiten?

Bei der Arbeit mit mehrseitigen Dokumenten fasst SaveAsHocrString alle Seiten in einer einzigen HTML-Zeichenkette mit korrekter Seitenteilung zusammen. Der Inhalt jeder Seite wird in entsprechende hOCR-Elemente eingebettet, wobei die Dokumentstruktur und die Seitengrenzen beibehalten werden.

// Processing multi-page documents
using var multiPageInput = new OcrPdfInput("multi-page-document.pdf");
multiPageInput.Title = "Multi-Page Document";

 // Configure for hOCR output
 IronTesseract tesseract = new IronTesseract();
 tesseract.Configuration.RenderHocr = true;

 // Read all pages
 OcrResult result = tesseract.Read(multiPageInput);

 // Export as single HTML string with all pages
 string fullHocr = result.SaveAsHocrString();

 // Or process page by page
 foreach (var page in result.Pages)
 {
     string pageHocr = page.SaveAsHocrString();
     // Process individual page hOCR
 }

// Processing multi-page documents
using var multiPageInput = new OcrPdfInput("multi-page-document.pdf");
multiPageInput.Title = "Multi-Page Document";

 // Configure for hOCR output
 IronTesseract tesseract = new IronTesseract();
 tesseract.Configuration.RenderHocr = true;

 // Read all pages
 OcrResult result = tesseract.Read(multiPageInput);

 // Export as single HTML string with all pages
 string fullHocr = result.SaveAsHocrString();

 // Or process page by page
 foreach (var page in result.Pages)
 {
     string pageHocr = page.SaveAsHocrString();
     // Process individual page hOCR
 }

Dieser Ansatz funktioniert nahtlos mit PDF-Streams und unterstützt erweiterte Szenarien wie die Verarbeitung bestimmter Seitenbereiche oder die Anwendung verschiedener OCR-Konfigurationen auf verschiedene Seiten.

Was sind die besten Praktiken für die Qualität der hOCR-Ausgabe?

Um die Qualität Ihrer hOCR-Ausgabe zu maximieren, sollten Sie vor der Verarbeitung Bildoptimierungsfilter anwenden:

var input = new OcrImageInput("document.png");
input.DeNoise();  // Remove image noise
input.Deskew();   // Correct image rotation
input.Scale(2);   // Upscale for better recognition

IronTesseract ocr = new IronTesseract();
ocr.Configuration.RenderHocr = true;
var result = ocr.Read(input);

var input = new OcrImageInput("document.png");
input.DeNoise();  // Remove image noise
input.Deskew();   // Correct image rotation
input.Scale(2);   // Upscale for better recognition

IronTesseract ocr = new IronTesseract();
ocr.Configuration.RenderHocr = true;
var result = ocr.Read(input);

Bei geringwertigen Scans können zusätzliche Vorverarbeitungsschritte die hOCR-Genauigkeit erheblich verbessern. Der Filter-Assistent hilft bei der Ermittlung optimaler Filterkombinationen für Ihre spezifischen Dokumenttypen.

Wie unterstützt die hOCR-Struktur die erweiterte Verarbeitung?

Die generierte hOCR folgt der Standardspezifikation mit verschachtelten div-Elementen, die die Dokumenthierarchie darstellen:

<div class='ocr_page' title='bbox 0 0 2480 3508'>
  <div class='ocr_carea' title='bbox 156 114 2324 3395'>
    <p class='ocr_par' title='bbox 157 114 2323 164'>
      <span class='ocr_line' title='bbox 157 114 2323 164'>
        <span class='ocr_word' title='bbox 157 114 294 161'>Hello</span>
        <span class='ocr_word' title='bbox 334 119 483 161'>World</span>
      </span>
    </p>
  </div>
</div>

<div class='ocr_page' title='bbox 0 0 2480 3508'>
  <div class='ocr_carea' title='bbox 156 114 2324 3395'>
    <p class='ocr_par' title='bbox 157 114 2323 164'>
      <span class='ocr_line' title='bbox 157 114 2323 164'>
        <span class='ocr_word' title='bbox 157 114 294 161'>Hello</span>
        <span class='ocr_word' title='bbox 334 119 483 161'>World</span>
      </span>
    </p>
  </div>
</div>

Diese Struktur ermöglicht eine präzise Extraktion von Textstellen und erweiterte Funktionen zur Dokumentenanalyse, was sie für Anwendungen, die räumliche Textbeziehungen oder die Erhaltung des Layouts erfordern, wertvoll macht. Bei der Arbeit mit Tabellenextraktion hilft das hOCR-Format, die tabellarische Struktur und die Zellbeziehungen beizubehalten.

Die bbox (Bounding Box)-Attribute enthalten Koordinaten im Format "bbox left top right bottom", die pixelgenaue Positionsdaten für jedes Textelement liefern. Diese Informationen sind wichtig für:

• Erstellen interaktiver Dokumentenbetrachter mit Textauswahl
• Implementierung von Redaktionssystemen, die das Layout erhalten
• Erstellung von Zugänglichkeitswerkzeugen, die die Lesereihenfolge beibehalten
• Entwicklung von Systemen zum Vergleich von Dokumenten

Für Entwickler, die noch detailliertere Konfigurationsoptionen benötigen, bietet der Tesseract detailed configuration guide erweiterte Einstellungen, die die Qualität und Struktur der hOCR-Ausgabe beeinflussen.