Tesseract OCR dla wielu języków (Samouczek dla deweloperów)

Jak używać Tesseract OCR z wieloma językami

1. Najpierw zainstaluj pakiet NuGet IronOCR/Tesseract w swoim projekcie .NET.
2. Utworz instancje klasy IronTesseract, aby zainicjowac silnik OCR.
3. Właściwość języka obsługuje więcej niż jeden język.
4. Okresl sciezke do pliku z obrazem, ktory chcesz przetworzyc, a nastepnie utworz obiekt OcrInput.
5. Teraz wykonaj OCR na wejsciowym obrazie, uzywajac funkcji Read instancji IronTesseract.
6. Weź wynik i wyświetl rozpoznany tekst.

What is Tesseract?

Tesseract jest otwartym silnikiem do Optycznego Rozpoznawania Znaków rozwijanym przez firmę Hewlett-Packard, później utrzymywanym przez Google. Jest znany ze swojej wysokiej precyzji i adaptacyjności, co czyni go jednym z najważniejszych OCRów. Tesseract wspiera wykrywanie skryptów, rozpoznaje tekst w wielu językach i potrafi obsługiwać wiele języków jednocześnie; Dlatego jest ogólnie używany do projektów wymagających wielojęzycznych dokumentów i wsparcia.

Silnik Tesseract OCR działa na informacjach zawartych w każdym pojedynczym pikselu obrazu, śledząc wzory przedstawiające znaki, słowa i zdania, które są ostatecznie konwertowane na tekst czytelny dla maszyn. Wiele obsługiwanych typów plików obrazów, takich jak TIFF, JPEG i PNG, pozwala Tesseractowi na tworzenie tekstu w formatach takich jak plain text, HTML i przeszukiwalny PDF.

Jednym z istotnych zalet Tesseract jest to, że można go nauczyć rozpoznawać konkretną czcionkę lub nowo dodane języki. Jest również często używany w różnych aplikacjach, począwszy od prostego wyciągania tekstu po złożone zadania w zakresie cyfryzacji dokumentów historycznych, przetwarzania faktur, a nawet oprogramowania do dostępności, które umożliwia czytanie osobom z dysfunkcjami wzroku.

Tworzenie nowego projektu w Visual Studio

Otwórz program Visual Studio. Po otwarciu programu przejdź do "menu plik." Pod "menu plik" znajduje się opcja "nowy projekt." Pod "nowy projekt" kliknij "aplikacja konsolowa." W tym poście stworzymy dokumenty PDF za pomocą programu konsolowego.

Wprowadź nazwę projektu i lokalizację pliku w podanych polach tekstowych. Następnie, jak pokazano na poniższym obrazku, kliknij przycisk Utwórz i wybierz potrzebny .NET Framework.

Teraz, gdy wybrano wersję aplikacji, projekt Visual Studio utworzy swoją strukturę. Jesli wybrales wersje konsolowa, Windows lub web, otworzy plik program.cs, aby dodac kod oraz zbudowac/uruchomic aplikacje.

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Set the path to the Tesseract data files (traineddata files)
        string tessDataPath = @"./tessdata"; // Ensure this directory contains the language data files

        // Load the image
        string imagePath = @"path_to_your_image.png";
        using (var img = Pix.LoadFromFile(imagePath))
        {
            // Add languages to the Tesseract engine
            using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
            {
                using (var page = engine.Process(img))
                {
                    // Extract the text
                    string text = page.GetText();
                    Console.WriteLine("Recognized Text:");
                    Console.WriteLine(text);
                }
            }
        }
    }
}

Imports System
Imports System.Drawing
Imports Tesseract

Friend Class Program
	Shared Sub Main()
		' Set the path to the Tesseract data files (traineddata files)
		Dim tessDataPath As String = "./tessdata" ' Ensure this directory contains the language data files

		' Load the image
		Dim imagePath As String = "path_to_your_image.png"
		Using img = Pix.LoadFromFile(imagePath)
			' Add languages to the Tesseract engine
			Using engine = New TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default)
				Using page = engine.Process(img)
					' Extract the text
					Dim text As String = page.GetText()
					Console.WriteLine("Recognized Text:")
					Console.WriteLine(text)
				End Using
			End Using
		End Using
	End Sub
End Class

What is IronOCR?

IronOCR to proprietyczna biblioteka OCR skoncentrowana na .NET. Dodaje ona funkcje OCR do aplikacji .NET i umożliwia wyodrębnianie tekstu z obrazów, zeskanowanych dokumentów, PDF i wszystkich innych mediów wizualnych. Kierując się nowoczesnym rozpoznawaniem tekstu dzięki niezwykle skutecznemu silnikowi Tesseract, IronOCR obejmuje również szereg dodatkowych funkcji, które czynią ją odpowiednią dla aplikacji Enterprise.

IronOCR oferuje szerokie wsparcie językowe—ponad 120 języków z obsługą automatycznego wykrywania języka i przetwarzania dokumentów zawierających wiele języków jednocześnie. To czyni IronOCR bardzo wszechstronnym i gotowym do wdrożenia na całym świecie, gdzie przetwarzanie dokumentów wielojęzycznych jest niezwykle istotne.

Z drugiej strony, IronOCR kładzie nacisk na prostotę w użytkowaniu i integracji. Jego niezwykle łatwy w obsłudze interfejs API jest uzupełniony szczegółowa dokumentacja i zestawem przykładowych projektów, które pomogą każdemu deweloperowi szybko rozpocząć pracę. Obsługuje szeroką gamę formatów obrazów i dokumentów PDF. Wbudowane zaawansowane funkcje wstępnego przetwarzania obrazu, redukcji szumów i korekcji błędów poprawiają dokładność i wydajność OCR.

Zainstaluj IronOCR

Można instalować pakiety bezpośrednio w swoim rozwiązaniu za pomocą narzędzia do zarządzania pakietami NuGet w Visual Studio. Kolejna migawka pokazuje, jak otworzyć menedżer pakietów NuGet.

Ma wbudowane pole wyszukiwania, które wyświetla listę pakietów z witryny NuGet. Jak widać na poniższym zrzucie ekranu, przeszukamy menedżera pakietów frazę IronOCR:

Wyniki wyszukiwania mogą zawierać listę potencjalnych rozwiązań. Będziesz musiał wybrać niezbędny pakiet rozwiązania do zainstalowania.

Zainstaluj również wymagane pakiety języka Tesseract jeden po drugim, takie jak ten poniżej do tego przykładu.

W tym przykładzie użyjemy języków hiszpańskiego, francuskiego i angielskiego. Angielski to domyślny pakiet językowy i nie wymaga instalacji.

Zainstaluj hiszpański z pakietu NuGet.

Czytaj wiele języków z IronOCR z silnikiem Tesseract

Poniższy przykład demonstruje, jak rozpoznać tekst w wielu językach z obrazu za pomocą C# oraz silnika IronOCR i Tesseract.

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        // Initialize IronTesseract engine
        var Ocr = new IronTesseract();

        // Add multiple languages
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        // Path to the image
        var inputFile = @"path\to\your\image.png";

        // Read the image and perform OCR
        using (var input = new OcrInput(inputFile))
        {
            // Perform OCR
            var result = Ocr.Read(input);

            // Display the result
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(result.Text);
        }
    }
}

Imports IronOcr

Friend Class Program
	Shared Sub Main(ByVal args() As String)
		' Initialize IronTesseract engine
		Dim Ocr = New IronTesseract()

		' Add multiple languages
		Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French

		' Path to the image
		Dim inputFile = "path\to\your\image.png"

		' Read the image and perform OCR
		Using input = New OcrInput(inputFile)
			' Perform OCR
			Dim result = Ocr.Read(input)

			' Display the result
			Console.WriteLine("Recognized Text:")
			Console.WriteLine(result.Text)
		End Using
	End Sub
End Class

Powyższy program C# używa biblioteki IronOCR do przeprowadzania Optycznego Rozpoznawania Znaków na obrazie zawierającym znaki angielskie, hiszpańskie i francuskie. Program rozpoczyna sie od importowania wymaganego przestrzeni nazw dla IronOCR i deklarowania klasy o nazwie Program z metoda Main, ktora jest punktem wejsciowym aplikacji.

W metodzie Main inicjalizowana jest instancja klasy IronTesseract i przypisywana do zmiennej Ocr. Wlasciwosc Language jest ustawiona, aby zawierac angielski, hiszpanski oraz francuski, poprzez laczenie OcrLanguage.English, OcrLanguage.Spanish i OcrLanguage.French. To gwarantuje, że silnik OCR może rozpoznawać i przetwarzać tekst w dowolnym z tych trzech języków.

Sciezka do pliku wejsciowego z obrazem jest ustawiona przy uzyciu zmiennej inputFile. Obraz jest nastepnie ladowany wewnatrz instrukcji using z instancja klasy OcrInput dla odpowiedniego zarzadzania zasobami i zwalniania. Na koniec wywolywana jest metoda Read instancji IronTesseract z obiektem wejsciowym, aby wykonac OCR na obrazie.

Rozpoznany tekst jest nastepnie wypisywany na konsole przy uzyciu metody Console.WriteLine. Ten program ilustruje skuteczną metodę użycia wielojęzykowej funkcji IronOCR do wyodrębniania tekstu z obrazów zawierających słowa w różnych językach.

Wnioski

Podczas gdy Tesseract i IronOCR są solidnymi technologiami OCR, każdy z nich ma unikalne zdolności i mocne strony. Tesseract, będąc open-source, jest niezawodny dla każdego, kto szuka darmowego rozwiązania i ma aktywne społeczności oraz ciągłe usprawnienia.

Z kolei IronOCR to proprietyczna biblioteka dla .NET Framework, oferująca ulepszone doświadczenie użytkownika z łatwiejszą integracją i wsparciem dla większości typów plików obrazów. Również dobrze działa w rozpoznawaniu tekstu, zwłaszcza przy treściach o niskiej jakości obrazu. IronOCR w pełni wspiera wiele języków i posiada dodatkowe funkcje, które czynią go bardziej przyjaznym dla użytkownika.

IronOCR oferuje opłacalną edycję dla deweloperów, a po zakupie zapewnia licencję na całe życie. Pakiet IronOCR zaczyna się po cenie $liteLicense jako jednorazowy koszt dla wielu systemów, oferując doskonałą wartość za pieniądze i wsparcie inżynieryjne online przez 24/7 dla licencjonowanych użytkowników. Więcej informacji można znaleźć na stronie IronOCR.