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

Warum ist die Einstellung von RenderHocr wichtig?

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

Das hOCR-Format bewahrt wichtige Metadaten, darunter:

• Begrenzungsrahmen auf Zeichenebene
• WORD-Konfidenzwerte
• Zeilen- und Absatzstruktur
• Seitenabmessungen und DPI-Informationen
• Schriftmerkmale, sofern erkennbar

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

Welche Dateitypen unterstützen den hOCR-Export?

IronOCR unterstützt den hOCR-Export aus verschiedenen Bildformaten, darunter 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 bei verschiedenen Dateitypen:

• TIFF: Ideal für gescannte Dokumente, unterstützt die Verarbeitung mehrseitiger Dokumente
• 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

Beim Umgang mit speziellen Dokumenttypen wie Reisepässen oder Kfz-Kennzeichen hilft das hOCR-Format dabei, die räumlichen Beziehungen zwischen verschiedenen Textelementen zu bewahren, wodurch es einfacher wird, bestimmte Felder anhand ihrer Position zu extrahieren.

Wann sollte ich String-Ausgabe anstelle von Dateien verwenden?

Die Ausgabe als Zeichenfolge ist ideal, wenn Sie die hOCR-Daten im Speicher verarbeiten oder bearbeiten, in Webdienste integrieren oder die Ergebnisse in einer Datenbank speichern müssen. Dieser Ansatz vermeidet Abhängigkeiten vom Dateisystem und ermöglicht die dynamische HTML-Generierung für Webanwendungen. Häufige Anwendungsfälle sind unter anderem:

• Web-API-Integration: hOCR-Daten direkt in API-Antworten zurückgeben
• Datenbankspeicherung: Speichern von OCR-Ergebnissen zusammen mit Dokument-Metadaten
• Echtzeitverarbeitung: Verarbeiten Sie Ergebnisse ohne Festplatten-I/O-Overhead
• Cloud Functions: Arbeiten Sie in serverlosen Umgebungen mit eingeschränktem Dateizugriff
• Content-Management-Systeme: OCR-Ergebnisse in bestehende Dokumenten-Workflows integrieren

Bei Anwendungen, die eine Fortschrittsverfolgung erfordern, ermöglicht die String-Ausgabe die sofortige Verarbeitung von Teilergebnissen, sobald diese verfügbar sind. Dies ist besonders vorteilhaft bei der Implementierung einer multithreaded OCR-Verarbeitung, bei der mehrere Dokumente gleichzeitig verarbeitet werden.

Wie wandle ich mehrere Seiten in HTML-Strings um?

Bei der Arbeit mit mehrseitigen Dokumenten fasst SaveAsHocrString alle Seiten zu einer einzigen HTML-Zeichenkette mit korrekten Seitenumbrüchen zusammen. Der Inhalt jeder Seite ist in entsprechende hOCR-Elemente eingebettet, wodurch die Dokumentstruktur und die Seitengrenzen erhalten bleiben.

// 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.Co/nfiguration.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.Co/nfiguration.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
 }

Imports IronOcr

' Processing multi-page documents
Using multiPageInput As New OcrPdfInput("multi-page-document.pdf")
    multiPageInput.Title = "Multi-Page Document"

    ' Configure for hOCR output
    Dim tesseract As New IronTesseract()
    tesseract.Configuration.RenderHocr = True

    ' Read all pages
    Dim result As OcrResult = tesseract.Read(multiPageInput)

    ' Export as single HTML string with all pages
    Dim fullHocr As String = result.SaveAsHocrString()

    ' Or process page by page
    For Each page In result.Pages
        Dim pageHocr As String = page.SaveAsHocrString()
        ' Process individual page hOCR
    Next
End Using

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

Was sind Best Practices für die hOCR-Ausgabequalität?

Um die Qualität Ihrer hOCR-Ergebnisse 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.Co/nfiguration.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.Co/nfiguration.RenderHocr = true;
var result = ocr.Read(input);

Imports IronOcr

Dim input As New OcrImageInput("document.png")
input.DeNoise()  ' Remove image noise
input.Deskew()   ' Correct image rotation
input.Scale(2)   ' Upscale for better recognition

Dim ocr As New IronTesseract()
ocr.Configuration.RenderHocr = True
Dim result = ocr.Read(input)

Bei Scans von geringer Qualität können zusätzliche Vorverarbeitungsschritte die Genauigkeit von hOCR erheblich verbessern. Der Filter-Assistent hilft Ihnen dabei, die optimalen Filterkombinationen für Ihre spezifischen Dokumenttypen zu ermitteln.

Wie unterstützt die hOCR-Struktur die erweiterte Verarbeitung?

Der generierte hOCR-Code entspricht 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 Textpositionen und erweiterte Funktionen zur Dokumentanalyse, was sie für Anwendungen wertvoll macht, die räumliche Textbeziehungen oder die Beibehaltung des Layouts erfordern. Bei der Tabellenextraktion hilft das hOCR-Format dabei, die tabellarische Struktur und die Beziehungen zwischen den Zellen beizubehalten.

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

• Erstellen interaktiver Dokumentenbetrachter mit Textauswahl
• Implementierung von Schwärzungssystemen, die das Layout beibehalten
• Entwicklung von Barrierefreiheits-Tools, die die Lesereihenfolge beibehalten
• Entwicklung von Dokumentenvergleichssystemen

Für Entwickler, die noch detailliertere Konfigurationsoptionen benötigen, bietet der ausführliche Tesseract-Konfigurationsleitfaden erweiterte Einstellungen, die sich auf die Ausgabequalität und -struktur von hOCR auswirken.

RenderHocr