Cómo usar varios lenguajes con Tesseract en C

Leer ejemplo de PDF en varios idiomas

IronOcr proporciona aproximadamente 125 paquetes de idiomas; sin embargo, solo se instala el inglés por defecto. El resto se puede descargar desde NuGet. Puedes echar un vistazo a todos los paquetes de idiomas disponibles aquí..

En el siguiente ejemplo, te mostraré el código para usar múltiples idiomas en IronOcr para extraer texto de un archivo PDF.

:path=/static-assets/ocr/content-code-examples/how-to/ocr-multiple-languages-pdf-input.cs

using IronOcr;
using System;

// Instantiate IronTesseract
IronTesseract ocrTesseract = new IronTesseract();

// Set secondary language to Russian
ocrTesseract.AddSecondaryLanguage(OcrLanguage.Russian);

// Add PDF
using var pdfInput = new OcrPdfInput(@"example.pdf");
// Perform OCR
OcrResult result = ocrTesseract.Read(pdfInput);

// Output extracted text to console
Console.WriteLine(result.Text);

Imports IronOcr
Imports System

' Instantiate IronTesseract
Private ocrTesseract As New IronTesseract()

' Set secondary language to Russian
ocrTesseract.AddSecondaryLanguage(OcrLanguage.Russian)

' Add PDF
Dim pdfInput = New OcrPdfInput("example.pdf")
' Perform OCR
Dim result As OcrResult = ocrTesseract.Read(pdfInput)

' Output extracted text to console
Console.WriteLine(result.Text)

Puedes agregar cualquier cantidad de idiomas secundarios usando el método AddSecondaryLanguage. Sin embargo, ten en cuenta que esta adición puede afectar la velocidad y el rendimiento. La prioridad del idioma depende del orden en que se agrega, teniendo mayor prioridad el primero que se añada.

Ejemplo de lectura de imágenes en varios idiomas

El idioma principal está configurado en inglés por defecto. Para cambiar el idioma principal, establece la propiedad Language al idioma deseado. Después, también puedes agregar idiomas secundarios.

// Example code for reading multi-language image with IronOCR
using IronOcr;

// Initialize IronTesseract OCR engine
var Ocr = new IronTesseract();

:path=/static-assets/ocr/content-code-examples/how-to/ocr-multiple-languages-image-input.cs

// Example code for reading multi-language image with IronOCR
using IronOcr;

// Initialize IronTesseract OCR engine
var Ocr = new IronTesseract();

using IronOcr;
using System;

// Instantiate IronTesseract
IronTesseract ocrTesseract = new IronTesseract();

// Set primary language to Russian
ocrTesseract.Language = OcrLanguage.Russian;
ocrTesseract.AddSecondaryLanguage(OcrLanguage.Japanese);

// Add image
using var imageInput = new OcrImageInput(@"example.png");
// Perform OCR
OcrResult result = ocrTesseract.Read(imageInput);

// Output extracted text to console
Console.WriteLine(result.Text);

IRON VB CONVERTER ERROR developers@ironsoftware.com

Si haces esto correctamente, puedes esperar resultados como los que aparecen a continuación.

Conclusión

En resumen, IronOCR, respaldado por el poderoso motor Tesseract, sobresale en la extracción de texto de documentos en múltiples idiomas. Es una herramienta indispensable para manejar las complejidades de leer texto en muchos idiomas, ofreciendo a los desarrolladores y mentes curiosas una solución versátil. Ya sea que estés procesando PDFs con texto en varios idiomas o trabajando con contenido multilingüe en imágenes, IronOCR simplifica la tarea de reconocer y extraer texto en varios idiomas.