IronOCR ile C#'da OCR Sonuçlarını hOCR HTML Olarak Kaydetme

RenderHocr Ayarının Önemi Nedir?

RenderHocr özelliğini true olarak ayarlamak, IronOCR'ya OCR işlemi sırasında gerekli hOCR yapısını oluşturmasını talep eder. Bu yapılandırma olmadan, SaveAsHocrFile ve SaveAsHocrString yöntemleri düzen korumalı doğru biçimlendirilmiş hOCR çıktısı üretmeyecektir. Bu yapılandırmanın, Tesseract motorunun çıktıyı nasıl işleyeceğini ve yapılandıracağını etkilediğinden, Read yöntemini çağırmadan önce ayarlanması gerekir.

hOCR formatı, şunlar da dahil olmak üzere önemli metaverileri korur:

• Karakter seviyesi sınırlayıcı kutular
• Kelime güven puanları
• Satır ve paragraf yapısı
• Sayfa boyutları ve DPI bilgisi
• Algılanabiliyorsa yazı tipi özellikleri

Bu metadata, bilgisayarlı görü iş akışlarını uygularken veya belge yapısını basit metin çıkarımının ötesine anlaması gereken sistemler oluştururken özellikle faydalıdır.

Hangi Dosya Türleri hOCR Dışa Aktarımını Destekler?

IronOCR, TIFF, PNG, JPEG, BMP ve GIF dahil olmak üzere çeşitli resim formatlarından hOCR dışa aktarmayı destekler. PDF belgeleri de işlenebilir ve her sayfanın metin ve düzen bilgisi HTML yapısında korunarak hOCR olarak dışa aktarılabilir. Kütüphane, tek sayfalı resimleri ve çok sayfalı belgeleri sorunsuz bir şekilde işler.

Farklı dosya türleri ile en iyi sonuçlar için:

• TIFF: Tarayıcı belgeler için ideal, çok sayfalı işlemeyi destekler
• PDF: Karışık içerik (metin ve resimler) için mükemmel
• PNG/JPEG: OCR gerektiren fotoğraflar veya ekran görüntüleri için en iyisi
• BMP: Yüksek kaliteli taramalar için uygun sıkıştırılmamış format

Pasaportlar veya plaka gibi uzmanlaşmış belge türleriyle çalışırken, hOCR formatı, farklı metin elemanları arasındaki mekansal ilişkiyi korumaya yardımcı olur ve belirli alanları konumlarına göre çıkarmayı kolaylaştırır.

Dize Çıktıyı Dosyalar Yerine Ne Zaman Kullanmalıyım?

Dize çıktı, hOCR verilerini bellekten işlemek veya manipüle etmek, web hizmetleri ile entegre etmek veya sonuçları bir veritabanında saklamak gerektiğinde idealdir. Bu yaklaşım, dosya sistemi bağımlılıklarını ortadan kaldırır ve web uygulamaları için dinamik HTML üretimini sağlar. Yaygın kullanım durumları şunlardır:

• Web API Entegrasyonu: hOCR verilerini API yanıtlarına doğrudan geri gönderin
• Veritabanı Depolama: OCR sonuçlarını belge metaverisi ile saklayın
• Gerçek Zamanlı İşleme: Sonuçları disk I/O yükü olmadan işleyin
• Bulut Fonksiyonları: Sınırlı dosya erişimine sahip sunucusuz ortamlarda çalışın
• İçerik Yönetim Sistemleri: OCR sonuçlarını mevcut belge iş akışlarına entegre edin

İlerlemeyi izlemek gereken uygulamalar için, dize çıkışı, kısmi sonuçlar elde edildikçe anında işlemeye imkân tanır. Bu, birden fazla belgenin eşzamanlı olarak işlendiği çok iş parçacıklı OCR işleme uygulandığında özellikle faydalıdır.

Birden Fazla Sayfayı HTML Dizelerine Nasıl İşlerim?

Çok sayfalı belgelerle çalışırken, SaveAsHocrString tüm sayfaları uygun sayfa bölümleriyle tek bir HTML dizesine birleştirir. Her sayfanın içeriği, belge yapısını ve sayfa sınırlarını koruyarak uygun hOCR elemanlarına sarılır.

// 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
 }

Imports IronOcr

' Processing multi-page documents
Using multiPageInput As New OcrPdfInput("multi-page-document.pdf")
    multiPageInput.Title = "Multi-Page Document"

    ' Configure for hOCR output
    Dim tesseract As New IronTesseract()
    tesseract.Configuration.RenderHocr = True

    ' Read all pages
    Dim result As OcrResult = tesseract.Read(multiPageInput)

    ' Export as single HTML string with all pages
    Dim fullHocr As String = result.SaveAsHocrString()

    ' Or process page by page
    For Each page In result.Pages
        Dim pageHocr As String = page.SaveAsHocrString()
        ' Process individual page hOCR
    Next
End Using

Bu yaklaşım, PDF akışları ile sorunsuz çalışır ve belirli sayfa aralıklarını işleme veya farklı sayfalara farklı OCR yapılandırmaları uygulama gibi gelişmiş senaryoları destekler.

hOCR Çıktı Kalitesi İçin En İyi Uygulamalar Nelerdir?

hOCR çıktı kalitenizi en üst düzeye çıkarmak için, işlemden önce resim iyileştirme filtreleri uygulamayı düşünün:

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);

Dim input As New OcrImageInput("document.png")
input.DeNoise()  ' Remove image noise
input.Deskew()   ' Correct image rotation
input.Scale(2)   ' Upscale for better recognition

Dim ocr As New IronTesseract()
ocr.Configuration.RenderHocr = True
Dim result = ocr.Read(input)

Düşük kaliteli taramalar için, ek ön işleme adımları, hOCR doğruluğunu önemli ölçüde artırabilir. Filtre sihirbazı belirli belge türleriniz için en uygun filtre kombinasyonlarını belirlemenize yardımcı olur.

hOCR Yapısı Gelişmiş İşlemeyi Nasıl Destekler?

Oluşturulan hOCR, belge hiyerarşisini temsil eden iç içe div elemanlarıyla standart spesifikasyonu takip eder:

<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>

Bu yapı, hassas metin konumu çıkarmayı ve gelişmiş belge analiz yeteneklerini sağlar, mekansal metin ilişkileri veya düzen koruması gerektiren uygulamalar için değerli hale getirir. Tablo çıkarma ile çalışırken, hOCR formatı, tablo yapısını ve hücre ilişkilerini korumaya yardımcı olur.

Bbox (sınırlayıcı kutu) öznitelikleri, her metin elemanı için piksel hassasiyetinde konum verileri sağlayan "bbox left top right bottom" formatında koordinatlar içerir. Bu bilgi, şunlar için önemlidir:

• Metin seçimi ile etkileşimli belge görüntüleyiciler oluşturma
• Düzen koruyan gizleme sistemleri uygulama
• Okuma sırasını koruyan erişilebilirlik araçları oluşturma
• Belge karşılaştırma sistemleri geliştirme

Daha detaylı yapılandırma seçeneklerine ihtiyaç duyan geliştiriciler için, Tesseract detaylı yapılandırma kılavuzu hOCR çıktı kalitesini ve yapısını etkileyen gelişmiş ayarları sağlar.