C#에서 IronOCR을 사용하여 hOCR HTML로 OCR 결과 저장하기

RenderHocr 설정이 왜 중요한가요?

RenderHocr 속성을 true로 설정하면 IronOCR OCR 프로세스 중에 필요한 hOCR 구조를 생성합니다. 이 설정이 없으면 SaveAsHocrFile 및 SaveAsHocrString 메서드는 레이아웃을 유지하면서 올바르게 형식화된 hOCR 출력을 생성하지 않습니다. 이 설정은 Tesseract 엔진이 출력 데이터를 처리하고 구성하는 방식에 영향을 미치므로 Read 메서드를 호출하기 전에 설정해야 합니다.

hOCR 형식은 중요한 메타데이터를 보존합니다:

• 문자 단위 경계 상자
• 단어 신뢰도 점수
• 줄 및 단락 구조
• 페이지 크기 및 DPI 정보
• 감지 가능할 때 글꼴 특성

컴퓨터 비전 작업 흐름을 구현하거나 단순 텍스트 추출 이상의 문서 구조 이해가 필요한 시스템을 구축할 때 이 메타데이터가 특히 유용합니다.

어떤 파일 유형이 hOCR 내보내기를 지원하나요?

IronOCR은 TIFF, PNG, JPEG, BMP, GIF를 포함한 다양한 이미지 형식에서 hOCR 내보내기를 지원합니다. PDF 문서 또한 처리되고 각 페이지의 텍스트 및 레이아웃 정보가 HTML 구조에 보존된 hOCR로 내보낼 수 있습니다. 라이브러리는 단일 페이지 이미지와 다중 페이지 문서를 모두 원활하게 처리합니다.

다양한 파일 형식에 대한 최적의 결과를 얻으려면:

• TIFF: 스캔된 문서에 이상적이며 다중 페이지 처리를 지원합니다
• PDF: 텍스트와 이미지 등의 혼합 콘텐츠에 탁월합니다
• PNG/JPEG: OCR이 필요한 사진이나 스크린샷에 가장 적합합니다
• BMP: 고품질 스캔에 적합한 비압축 형식

여권이나 번호판과 같은 특수 문서 유형을 처리할 때, hOCR 형식은 서로 다른 텍스트 요소 간의 공간적 관계를 보존하여 지정된 필드를 위치에 따라 더 쉽게 추출할 수 있게 도와줍니다.

언제 파일 대신 문자열 출력을 사용해야 하나요?

문자열 출력은 메모리 내에서 hOCR 데이터를 처리하거나 조작하고 웹 서비스와 통합하거나 데이터베이스에 결과를 저장해야 할 때 이상적입니다. 이 접근 방식은 파일 시스템에 대한 의존성을 피하고 웹 애플리케이션에 대한 동적 HTML 생성을 가능하게 합니다. 일반적인 사용 사례에는 다음이 포함됩니다:

• 웹 API 통합: API 응답에 hOCR 데이터를 직접 반환
• 데이터베이스 저장: 문서 메타데이터와 함께 OCR 결과 저장
• 실시간 처리: 디스크 I/O 오버헤드 없이 결과 처리
• 클라우드 기능: 제한된 파일 접근을 가진 서버리스 환경에서 작업
• 콘텐츠 관리 시스템: 기존 문서 작업 흐름에 OCR 결과 통합

진행 추적이 필요한 응용 프로그램의 경우, 문자열 출력은 사용 가능한 부분 결과의 즉시 처리를 가능하게 합니다. 다중 스레드 OCR 처리를 구현할 때 특히 유리하며 여러 문서가 동시에 처리됩니다.

다중 페이지를 HTML 문자열로 처리하려면 어떻게 해야 하나요?

여러 페이지로 구성된 문서를 작업할 때, SaveAsHocrString는 모든 페이지를 적절한 페이지 구분과 함께 단일 HTML 문자열로 통합합니다. 각 페이지의 내용은 적절한 hOCR 요소로 감싸져 있으며, 문서 구조와 페이지 경계를 유지합니다.

// 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
 }

이 접근 방식은 PDF 스트림에 원활하게 작동하며, 특정 페이지 범위를 처리하거나 다른 페이지에 다른 OCR 구성을 적용하는 등의 고급 시나리오를 지원합니다.

hOCR 출력 품질을 최대화하는 최적의 방법은 무엇인가요?

이미지 최적화 필터를 처리 전 적용하여 hOCR 출력 품질을 최대화하십시오:

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);

저품질 스캔의 경우, 추가적인 전처리 단계가 hOCR 정확성을 크게 향상시킬 수 있습니다. 필터 마법사는 특정 문서 유형에 대한 최적의 필터 조합을 결정하는 데 도움을 줍니다.

hOCR 구조가 고급 처리에 어떻게 지원되나요?

생성된 hOCR은 문서 계층 구조를 나타내는 중첩된 div 요소가 있는 표준 명세를 따릅니다:

<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>

이 구조는 정확한 텍스트 위치 추출 및 고급 문서 분석 기능을 가능하게 하여 공간적 텍스트 관계나 레이아웃 보존이 필요한 응용 프로그램에 유용합니다. 테이블 추출 작업 시, hOCR 형식은 표의 구조와 셀 관계를 유지하는 데 도움을 줍니다.

bbox(경계 상자) 속성에는 'bbox left top right bottom' 형식의 좌표가 포함되어 있으며 각 텍스트 요소에 대해 픽셀 단위의 위치 데이터를 제공합니다. 이 정보는 다음에 중요합니다:

• 텍스트 선택이 가능한 상호작용형 문서 뷰어 생성
• 레이아웃을 보존하는 수정 시스템 구현
• 읽기 순서를 유지하는 접근성 도구 구축
• 문서 비교 시스템 개발

더욱 세밀한 구성 옵션이 필요한 개발자의 경우 Tesseract 상세 구성 가이드는 hOCR 출력 품질과 구조에 영향을 미치는 고급 설정을 제공합니다.