1. IronOCR
  2. Anleitungen
  3. C# PDF OCR

Aufbau eines Azure OCR-Dienstes mit IronOCR

This article was translated from English: Does it need improvement?
Translated
View the article in English

Iron Software hat ein OCR-Programm entwickelt(Optische Zeichenerkennung) bibliothek, die die Interoperabilitätsprobleme der Azure OCR-Integration beseitigt. Die Arbeit mit OCR-Bibliotheken auf Azure war für Entwickler schon immer ein wenig mühsam. Die Lösung für diese und viele andere OCR-Kopfschmerzen ist IronOCR.

IronOCR-Funktionen für Microsoft Azure

IronOCR umfasst die folgenden Funktionen für den Aufbau eines OCR-Dienstes auf Microsoft Azure:

  • Wandelt PDFs in durchsuchbare Dokumente um, so dass es einfach ist, Text zu extrahieren
  • Verwandelt Bilder in durchsuchbare Dokumente durch Extraktion von Text aus Bildern
  • Liest sowohl Barcodes als auch QR-Codes
  • Außergewöhnliche Genauigkeit
  • Läuft lokal und benötigt kein SaaS(Software als Dienstleistung) dabei handelt es sich um ein Software-Vertriebsmodell, bei dem ein Cloud-Anbieter, z. B. Microsoft Azure, verschiedene Anwendungen hostet und diese Anwendungen den Endnutzern zur Verfügung stellt.

  • Blitzschnelle Geschwindigkeit

    Werfen wir einen Blick darauf, wie die beste OCR-Engine, Iron Software's IronOCR, es Entwicklern erleichtert, Text aus beliebigen Eingabedokumenten zu extrahieren.

Lassen Sie uns mit unserem Azure OCR Service beginnen

Um mit dem Beispiel beginnen zu können, müssen wir zunächst IronOCR installieren.

  1. Erstellen einer neuen Konsolenanwendung mit C#

  2. Installieren Sie IronOCR über NuGet entweder durch Eingabe von: Install-Package IronOcr oder durch Auswahl von Manage NuGet packages und Suche nach IronOCR. Dies wird im Folgenden dargestellt

  3. Bearbeiten Sie Ihre Datei Program.cs so, dass sie wie folgt aussieht:
    • Wir importieren den IronOcr-Namensraum, um seine Ocr-Fähigkeiten zum Lesen und Extrahieren des Inhalts der PDF-Datei zu nutzen.
    • Wir erstellen ein neues IronTesseract-Objekt, mit dem wir Text aus einem Bild extrahieren können.
using IronOcr;
using System;

namespace IronOCR_Ex
{
    class Program
    {
        static void Main(string [] args)
        {
            var ocr = new IronTesseract();
            using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
            {
                var result = ocr.Read(Input); //Read PNG image File
                Console.WriteLine(result.Text); //Write Output to PDF document
                Console.ReadLine();
            }
        }
    }
}
using IronOcr;
using System;

namespace IronOCR_Ex
{
    class Program
    {
        static void Main(string [] args)
        {
            var ocr = new IronTesseract();
            using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
            {
                var result = ocr.Read(Input); //Read PNG image File
                Console.WriteLine(result.Text); //Write Output to PDF document
                Console.ReadLine();
            }
        }
    }
}
Imports IronOcr
Imports System

Namespace IronOCR_Ex
	Friend Class Program
		Shared Sub Main(ByVal args() As String)
			Dim ocr = New IronTesseract()
			Using Input = New OcrInput("..\Images\Purgatory.PNG")
				Dim result = ocr.Read(Input) 'Read PNG image File
				Console.WriteLine(result.Text) 'Write Output to PDF document
				Console.ReadLine()
			End Using
		End Sub
	End Class
End Namespace
VB   C#

  1. Als nächstes öffnen wir ein Bild mit dem Namen Purgatory.PNG. Dieses Bild ist Teil der Göttlichen Komödie von Dante - eines meiner Lieblingsbücher. Das Bild sieht so aus wie das folgende Bild.

    Der Text, der mit den optischen Zeichenlesefunktionen von IronOCR extrahiert werden soll

    Abbildung 2 - Der Text, der mit den optischen Zeichenlesefunktionen von IronOCR extrahiert werden soll

  2. Die Ausgabe, nachdem der obige Text aus dem obigen Eingabebildtext extrahiert wurde.

    Extrahierter Text

    Abbildung 3 - Extrahierter Text

  3. Machen wir das Gleiche mit einem PDF-Dokument. Das PDF-Dokument enthält den gleichen zu extrahierenden Text wie die Abbildung.

    Der einzige Unterschied besteht darin, dass es sich um ein PDF-Dokument und nicht um ein Bild handelt. Geben Sie den folgenden Code ein:

 var Ocr = new IronTesseract();
            using (var input = new OcrInput())
            {
                input.Title = "Divine Comedy - Purgatory"; //Give title to input document 
                //Supply optional password and name of document
                input.AddPdf("..\\Documents\\Purgatorio.pdf", "dante");
                var Result = Ocr.Read(input); //Read the input file

                Result.SaveAsSearchablePdf("SearchablePDFDocument.pdf"); 
            }
 var Ocr = new IronTesseract();
            using (var input = new OcrInput())
            {
                input.Title = "Divine Comedy - Purgatory"; //Give title to input document 
                //Supply optional password and name of document
                input.AddPdf("..\\Documents\\Purgatorio.pdf", "dante");
                var Result = Ocr.Read(input); //Read the input file

                Result.SaveAsSearchablePdf("SearchablePDFDocument.pdf"); 
            }
Dim Ocr = New IronTesseract()
			Using input = New OcrInput()
				input.Title = "Divine Comedy - Purgatory" 'Give title to input document
				'Supply optional password and name of document
				input.AddPdf("..\Documents\Purgatorio.pdf", "dante")
				Dim Result = Ocr.Read(input) 'Read the input file

				Result.SaveAsSearchablePdf("SearchablePDFDocument.pdf")
			End Using
VB   C#

Fast das Gleiche wie der vorherige Code, der Text aus einem Bild extrahiert.

Hier verwenden wir die Methode OcrInput, um das aktuelle PDF-Dokument zu lesen, in diesem Fall: Purgatorio.pdf. Wenn die PDF-Datei Metadaten wie einen Titel oder ein Kennwort enthält, können wir diese ebenfalls einfügen.

Das Ergebnis wird als PDF-Dokument gespeichert, in dem wir nach Text suchen können.

Hinweis: Wenn die PDF-Datei zu groß ist, kann eine Ausnahme ausgelöst werden.

  1. Das reicht bei Windows-Anwendungen; schauen wir uns an, wie wir OCR mit Microsoft Azure nutzen können.

    Das Schöne an IronOCR ist, dass es sehr gut mit Microsoft Azure als Azure-Funktion in einer Microservice-Architektur funktioniert. Hier ist ein sehr schnelles Beispiel, wie eine Microsoft Azure-Funktion, die mit IronOCR arbeitet, aussehen könnte. Diese Microsoft Azure-Funktion extrahiert Text aus Bildern.

public static class OCRFunction
{
    public static HttpClient hcClient = new HttpClient();

    [FunctionName("IronOCRFunction_EX")]
    public static async Task<IActionResult> Run([HttpTrigger] HttpRequest hrRequest, ExecutionContext ecContext)
    {
        var URI = hrRequest.Query ["image"];
        var saStream = await hcClient.GetStreamAsync(URI);

        var ocr = new IronTesseract();
        using (var inputOCR = new OcrInput(saStream))
        {
            var outputOCR = ocr.Read(inputOCR);
            return new OkObjectResult(outputOCR.Text);
        }
    }
} 
public static class OCRFunction
{
    public static HttpClient hcClient = new HttpClient();

    [FunctionName("IronOCRFunction_EX")]
    public static async Task<IActionResult> Run([HttpTrigger] HttpRequest hrRequest, ExecutionContext ecContext)
    {
        var URI = hrRequest.Query ["image"];
        var saStream = await hcClient.GetStreamAsync(URI);

        var ocr = new IronTesseract();
        using (var inputOCR = new OcrInput(saStream))
        {
            var outputOCR = ocr.Read(inputOCR);
            return new OkObjectResult(outputOCR.Text);
        }
    }
} 
Public Module OCRFunction
	Public hcClient As New HttpClient()

	<FunctionName("IronOCRFunction_EX")>
	Public Async Function Run(<HttpTrigger> ByVal hrRequest As HttpRequest, ByVal ecContext As ExecutionContext) As Task(Of IActionResult)
		Dim URI = hrRequest.Query ("image")
		Dim saStream = Await hcClient.GetStreamAsync(URI)

		Dim ocr = New IronTesseract()
		Using inputOCR = New OcrInput(saStream)
			Dim outputOCR = ocr.Read(inputOCR)
			Return New OkObjectResult(outputOCR.Text)
		End Using
	End Function
End Module
VB   C#

Dadurch wird das von der Funktion empfangene Bild direkt an die OCR-Engine weitergeleitet, die es als extrahierten Text ausgibt.

Eine kurze Zusammenfassung über Microsoft Azure.

Nach Angaben von Microsoft: Microsoft Azure Microservices sind ein architektonischer Ansatz für den Aufbau von Anwendungen, bei dem jede Kernfunktion oder jeder Dienst unabhängig aufgebaut und bereitgestellt wird. Die Microservice-Architektur ist verteilt und lose gekoppelt, so dass der Ausfall einer Komponente nicht die gesamte Anwendung gefährdet. Unabhängige Komponenten arbeiten zusammen und kommunizieren über klar definierte API-Verträge. Erstellen Sie Microservice-Anwendungen, um schnell wechselnde Geschäftsanforderungen zu erfüllen und neue Funktionen schneller auf den Markt zu bringen.

Einige weitere Funktionen von IronOCR for .NET oder Microsoft Azure sind die folgenden

Die Möglichkeit, fast jede Datei, jedes Bild oder jede PDF-Datei mit OCR zu bearbeiten.

  • Blitzschnelle Verarbeitung von OCR-Eingaben
  • Außergewöhnliche Genauigkeit
  • Liest Barcodes und QR-Codes
  • Läuft lokal, kein SaaS erforderlich
  • Kann PDFs und Bilder in durchsuchbare Dokumente umwandeln
  • Ausgezeichnete Alternative zu Azure OCR von Microsoft Cognitive Services

Bildfilter zur Verbesserung der OCR-Leistung

  • OcrInput.Rotate - Dreht Bilder um einige Grad im Uhrzeigersinn. Für eine Drehung gegen den Uhrzeigersinn sind negative Zahlen zu verwenden.
  • OcrInput.Binarize() - Dieser Bildfilter macht jedes Pixel schwarz oder weiß, ohne einen Mittelweg zu finden. Dies verbessert die OCR-Leistung.
  • OcrInput.ToGrayScale() - Dieser Bildfilter verwandelt jedes Pixel in einen Graustufenwert. Dies verbessert die OCR-Geschwindigkeit
  • OcrInput.Contrast() - Erhöht den Kontrast automatisch. Dieser Filter verbessert die OCR-Geschwindigkeit und Genauigkeit bei kontrastarmen Scans.
  • OcrInput.DeNoise() - Entfernt digitales Rauschen. Dieser Filter sollte nur verwendet werden, wenn in den Eingabedokumenten Rauschen zu erwarten ist.
  • OcrInput.Invert() - Invertiert jede Farbe.
  • OcrInput.Dilate() - Bei der Dilatation werden Pixel zu den Rändern eines beliebigen Objekts in einem Bild hinzugefügt.
  • OcrInput.Erode() - Die Erosion entfernt Pixel an Objektgrenzen.
  • OcrInput.Deskew() - Dreht ein Bild so, dass es richtig herum und orthogonal ist. Dies ist für die OCR sehr nützlich, da die Toleranz von Tesseract bei schiefen Scans bis zu 5 Grad betragen kann.
  • OcrInput.DeepCleanBackgroundNoise() - Entfernung starker Hintergrundgeräusche.
  • OcrInput.EnhanceResolution - Verbessert die Auflösung eines Bildes geringer Qualität.

Geschwindigkeitsleistung

Es folgt ein Beispiel:

    var Ocr = new IronTesseract();
    Ocr.Configuration.BlackListCharacters = "~`$#^*_}{][
\\";
    Ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
    Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;
    Ocr.Configuration.EngineMode = TesseractEngineMode.LstmOnly;
    Ocr.Language = OcrLanguage.EnglishFast;
    using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
    {
        var Result = Ocr.Read(Input);
        Console.WriteLine(Result.Text);
    }
    var Ocr = new IronTesseract();
    Ocr.Configuration.BlackListCharacters = "~`$#^*_}{][
\\";
    Ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
    Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;
    Ocr.Configuration.EngineMode = TesseractEngineMode.LstmOnly;
    Ocr.Language = OcrLanguage.EnglishFast;
    using (var Input = new OcrInput("..\\Images\\Purgatory.PNG"))
    {
        var Result = Ocr.Read(Input);
        Console.WriteLine(Result.Text);
    }
Dim Ocr = New IronTesseract()
	Ocr.Configuration.BlackListCharacters = "~`$#^*_}{][ \\"
	Ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto
	Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5
	Ocr.Configuration.EngineMode = TesseractEngineMode.LstmOnly
	Ocr.Language = OcrLanguage.EnglishFast
	Using Input = New OcrInput("..\Images\Purgatory.PNG")
		Dim Result = Ocr.Read(Input)
		Console.WriteLine(Result.Text)
	End Using
VB   C#

Preisgestaltung und Lizenzierungsoptionen

Es gibt im Wesentlichen dreikostenpflichtige Lizenzierungsebenen die alle nach dem Prinzip einer einmaligen, lebenslangen Lizenz funktionieren.

Und ja, diese sind für Entwicklungszwecke kostenlos.

Weitere Informationen

IronOCR-Funktionen für .NET-Anwendungen, die OCR auf Azure und anderen Systemen ausführen

  • IronOCR unterstützt 127 internationale Sprachen. Jede Sprache ist in schneller, Standard- und bester Qualität verfügbar. Einige der verfügbaren Sprachpakete sind:

    • Bulgarisch

    • Armenisch

    • Kroatisch

    • Afrikaans

    • Dänisch

    • Tschechisch

    • Filipino

    • Finnisch

    • Französisch

    • Deutsch
  • Es gibt noch viele weitere Sprachpakete, die Sie sich unter dem folgenden Link ansehen können. IronOCR Sprachpakete

  • Es funktioniert sofort nach dem Auspacken in .NET

    • Unterstützung für Xamarin

    • Unterstützung für Mono

    • Unterstützung für Microsoft Azure

    • Unterstützung für Docker auf Microsoft Azure

    • Unterstützt PDF-Dokumente

    • Unterstützt Multiframe Tiffs
  • Unterstützung für alle wichtigen Bildformate

  • Die folgenden .NET-Frameworks werden unterstützt:

    • .NET-Framework 4.5 und höher

    • .NET-Standard 2

    • .NET Core 2

    • .NET Core 3
  • .NET Core 5

  • Sie müssen Tesseract nicht haben(eine quelloffene OCR-Engine, die Unicode und mehr als 100 Sprachen unterstützt) installiert sein, damit IronOCR funktioniert.

    • Verbesserte Genauigkeit gegenüber Tesseract
  • Verbesserte Geschwindigkeit gegenüber Tesseract
  • Korrigiert qualitativ schlechte Scans von Dokumenten oder Dateien
  • Korrigiert schiefe Scans von Dokumenten oder Dateien mit schlechter Qualität

Was ist OCR (Optische Zeichenerkennung)?

Laut Wikipedia: Optische Zeichenerkennung ist die elektronische oder mechanische Umwandlung von Bildern aus getipptem, gedrucktem Text in maschinell kodierten Text, sei es aus einem gescannten Dokument, einem Foto eines Dokuments, einem Szenenfoto oder aus einem Untertiteltext, der einem Bild überlagert ist. Ocr steht für Optical Character Recognition (optische Zeichenerkennung). Es gibt im Wesentlichen vier Arten der optischen Zeichenerkennung, nämlich:

  • OCR - Optical Character Recognition (optische Zeichenerkennung), die maschinengeschriebenen Text aus einem Eingabedokument, ein Zeichen oder eine Glyphe erfasst(elementarsymbol innerhalb eines vereinbarten Satzes von Symbolen, zum Beispiel "a" in verschiedenen Schriftarten) zu einer Zeit.
  • OWR - Optical Word Recognition (Optische Worterkennung), die einen maschinengeschriebenen Text aus einem Eingabedokument wortweise erkennt
  • ICR - Intelligent Character Recognition (Intelligente Zeichenerkennung), die auf gedruckten Text wie z. B. Druckschrift abzielt(zeichen ohne Verbindung zu anderen Buchstaben) und kursiver Text, ein Zeichen oder eine Glyphe nach der anderen
  • IWR - Intelligent Word Recognition (Intelligente Worterkennung), die auf kursiven Text ausgerichtet ist.