Tesseract OCR para vários idiomas (Tutorial para desenvolvedores)

Como Usar Tesseract OCR com Múltiplos Idiomas

1. Primeiro, instale o pacote NuGet IronOCR/Tesseract no seu projeto .NET.
2. Crie uma instância da classe IronTesseract, que irá inicializar o mecanismo OCR.
3. A propriedade de idioma suporta mais de um idioma.
4. Especifique o caminho do arquivo de imagem que você deseja processar, e então crie um objeto OcrInput.
5. Agora, realize o OCR na imagem de entrada usando a função Read da instância IronTesseract.
6. Pegue o resultado e exiba o texto reconhecido.

O que é Tesseract?

O Tesseract é um motor de Reconhecimento Óptico de Caracteres open-source desenvolvido pela Hewlett-Packard e posteriormente mantido pelo Google. É famoso por sua alta precisão e adaptabilidade, tornando-o um dos OCRs mais proeminentes. O Tesseract suporta detecção de script, reconhece texto em muitos idiomas e pode lidar com vários idiomas; portanto, é geralmente usado para projetos que exigem documentos multilíngues e suporte.

O mecanismo OCR do Tesseract funciona com informações contidas em qualquer pixel individual da imagem, seguindo padrões que representam caracteres, palavras e frases que eventualmente são convertidos em texto legível por máquina. Os muitos tipos de arquivos de imagem que suporta, como TIFF, JPEG e PNG, permitem que o Tesseract produza texto em formatos como texto simples, HTML e PDF pesquisável.

Uma das grandes vantagens do Tesseract é que ele pode ser treinado para ser sensível a fontes específicas ou novos idiomas adicionados. Também é frequentemente usado em várias aplicações, desde extração simples de texto até tarefas complexas na digitalização de documentos históricos, processamento de faturas ou até mesmo software de acessibilidade que permite a leitura para deficientes visuais.

Criando um novo projeto no Visual Studio

Abra o programa Visual Studio. Ao abrir o programa, acesse o 'menu de arquivo'. No 'menu de arquivo', há a opção 'novo projeto'. Em 'novo projeto', clique em 'Aplicação de Console'. Neste post, criaremos documentos PDF usando um programa de console.

Tesseract OCR para Múltiplos Idiomas (Tutorial do Desenvolvedor): Figura 1 - Crie um novo projeto

Insira o nome do seu projeto e a localização do arquivo nas caixas de texto fornecidas. Em seguida, como mostrado na imagem abaixo, clique no botão Criar e selecione qual .NET Framework você precisa.

Tesseract OCR para Múltiplos Idiomas (Tutorial do Desenvolvedor): Figura 2 - Selecione o .NET Framework, fornecendo também um projeto e local de salvamento.

Agora que a versão do aplicativo foi selecionada, o projeto do Visual Studio criará sua estrutura. Se você escolheu as versões console, Windows ou web, ele abrirá o arquivo program.cs para adicionar código e construir/executar o aplicativo.

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);
                }
            }
        }
    }
}

O que é IronOCR?

O IronOCR é uma biblioteca OCR proprietária focada em .NET. Ele adiciona capacidades de OCR a aplicativos .NET e permite a extração de texto de imagens, documentos digitalizados, PDFs e todos outros meios visuais. Com a tecnologia de reconhecimento de texto de ponta extremamente bem-sucedida do Tesseract, o IronOCR também inclui várias funcionalidades adicionais que o tornam adequado para uso em aplicações empresariais.

O IronOCR oferece suporte a uma quantidade impressionante de idiomas—mais de 120 idiomas com suporte para detecção automática de idioma e processamento de documentos que contém múltiplos idiomas simultaneamente. Isso torna o IronOCR muito versátil e implantável globalmente, onde o processamento de documentos multilíngues é altamente crítico.

Tesseract OCR para Múltiplos Idiomas (Tutorial do Desenvolvedor): Figura 6 - IronOCR: A Biblioteca OCR C#

Por outro lado, o IronOCR enfatiza a simplicidade de uso e integração. Sua API extremamente fácil de usar é complementada por documentação detalhada e um conjunto de projetos de exemplo que ajudarão qualquer desenvolvedor a começar rapidamente. Ele suporta uma ampla gama de formatos de imagem e documentos PDF. Recursos avançados de pré-processamento de imagem, redução de ruído e correção de erros embutidos melhoram a precisão e o desempenho do OCR.

Instalar IronOCR

Você pode instalar os pacotes diretamente na sua solução usando a ferramenta de gerenciamento de pacotes NuGet do Visual Studio. A captura de tela a seguir mostra como abrir o Gerenciador de Pacotes NuGet.

Tesseract OCR para Múltiplos Idiomas (Tutorial do Desenvolvedor): Figura 7 - Como chegar ao gerenciador de pacotes NuGet através do Visual Studio

Ele possui uma caixa de pesquisa embutida, que exibe uma lista de pacotes do site da NuGet. Como visto na captura de tela abaixo, vamos procurar no gerenciador de pacotes a frase IronOCR:

Tesseract OCR para Múltiplos Idiomas (Tutorial do Desenvolvedor): Figura 8 - Pesquisar por IronOCR no explorador de soluções

Os resultados da pesquisa podem oferecer uma lista de soluções potenciais. Você precisará selecionar o pacote de solução necessário para instalar.

Além disso, instale os pacotes de idiomas Tesseract necessários um por um, como o abaixo para este exemplo.

Neste exemplo, usaremos códigos de idiomas em espanhol, francês e inglês. Inglês é o pacote de idioma padrão e não requer instalação.

Tesseract OCR para Múltiplos Idiomas (Tutorial do Desenvolvedor): Figura 9 - Instalar pacote de idioma francês

Instale o espanhol do pacote NuGet.

Tesseract OCR para Múltiplos Idiomas (Tutorial do Desenvolvedor): Figura 10 - Instalar pacote de idioma espanhol

Ler Múltiplos Idiomas com IronOCR com o Motor Tesseract

O exemplo a seguir demonstra como reconhecer texto em múltiplos idiomas de uma imagem usando C# e o motor IronOCR e 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);
        }
    }
}

O programa C# acima usa a biblioteca IronOCR para realizar o Reconhecimento Óptico de Caracteres em uma imagem contendo caracteres em inglês, espanhol e francês. O programa começa importando o namespace necessário para IronOCR e declarando uma classe chamada Program com um método Main, que é o ponto de entrada do aplicativo.

No método Main, uma instância da classe IronTesseract é instanciada e atribuída à variável Ocr. A propriedade Language é configurada para incluir inglês, espanhol e francês combinando OcrLanguage.English, OcrLanguage.Spanish, e OcrLanguage.French. Isso garante que o motor OCR possa reconhecer e processar texto em qualquer um desses três idiomas.

O caminho para o arquivo de imagem de entrada é configurado usando a variável inputFile. A imagem é então carregada dentro de uma declaração using com uma instância da classe OcrInput para gerenciamento e descarte adequados de recursos. Finalmente, o método Read da instância IronTesseract é chamado com o objeto de entrada para realizar o OCR na imagem.

O texto reconhecido é então impresso no console usando o método Console.WriteLine. Este programa ilustra um método eficaz para usar a capacidade multilíngue do IronOCR para extrair texto de imagens que contêm palavras em diferentes idiomas.

Tesseract OCR para Múltiplos Idiomas (Tutorial do Desenvolvedor): Figura 11 - Saída de texto reconhecido

Conclusão

Tesseract OCR para Múltiplos Idiomas (Tutorial do Desenvolvedor): Figura 12 - Página de licenciamento do IronOCR

Embora ambos Tesseract e IronOCR sejam tecnologias OCR robustas, cada um tem capacidades e pontos fortes únicos. Tesseract, sendo de código aberto, é confiável para quem busca uma solução gratuita e possui comunidades ativas e melhoria contínua.

Em contraste, o IronOCR é uma biblioteca proprietária para o .NET Framework, oferecendo uma melhor experiência do usuário com integração mais fácil e suporte para a maioria dos tipos de arquivos de imagem. Ele também tem um bom desempenho no reconhecimento de texto, particularmente com conteúdo de imagem de baixa qualidade. IronOCR oferece suporte total a muitos idiomas e possui recursos extras que o tornam mais amigável ao usuário.

IronOCR oferece uma edição de desenvolvimento econômica e, quando comprado, fornece uma licença vitalícia. O pacote IronOCR começa a partir de $liteLicense como um custo único para múltiplos sistemas, oferecendo excelente custo-benefício e suporte de engenheiro online 24/7 para usuários licenciados. Para mais informações, consulte o site IronOCR.