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

RenderHocr Ayarlamak Neden Önemli?

RenderHocr özelliğini true olarak ayarlamak, IronOCR'ye OCR işlemi sırasında gerekli hOCR yapısını oluşturması talimatını verir. Bu yapılandırma olmadan, SaveAsHocrFile ve SaveAsHocrString yöntemleri, düzeni koruyarak düzgün biçimlendirilmiş hOCR çıktısı üretmez. Bu yapılandırma, Tesseract motorunun çıktı verilerini işleme ve yapılandırma şeklini etkilediği için Read yöntemini çağırmadan önce ayarlanmalıdır.

hOCR formatı, şunlar dahil önemli meta verileri korur:

• Karakter düzeyinde sınırlayıcı kutular
• Kelime güven puanları
• Satır ve paragraf yapısı
• Sayfa boyutları ve DPI bilgileri
• Eğer algılanabilirse yazı tipi özellikleri

Bu meta veri, sadece metin çıkartmanın ötesinde belge yapısını anlaması gereken sistemler veya bilgisayarla görme iş akışlarının uygulanması için özellikle yararlıdır.

hOCR Dışa Aktarımını Destekleyen Dosya Türleri Nelerdir?

IronOCR, TIFF, PNG, JPEG, BMP ve GIF dahil çeşitli görüntü formatlarından hOCR dışa aktarımını destekler. PDF belgeleri de işlenip hOCR olarak dışa aktarılabilir, her sayfanın metin ve düzen bilgileri HTML yapısında korunur. Kütüphane, hem tek sayfalı görüntüleri hem de çok sayfalı belgeleri sorunsuz bir şekilde işler.

Farklı dosya türleri için optimal sonuçlar:

• TIFF: Tarama belgeleri için idealdir, çok sayfalı işlemeyi destekler
• PDF: Karışık içerikler (metin ve görüntüler) için mükemmeldir
• PNG/JPEG: OCR gerektiren fotoğraflar veya ekran görüntüleri için en iyisidir
• BMP: Yüksek kaliteli taramalar için uygun sıkıştırılmamış format

Pasaportlar veya plakalar gibi özel belge türleriyle çalışırken, hOCR formatı farklı metin öğeleri arasındaki mekansal ilişkileri koruyarak belirli alanları konumlarına dayalı olarak çıkarmayı kolaylaştırır.

Dizgi Çıkısı Yerine Ne Zaman Kullanılmalı?

Dizgi çıkışı, hOCR verilerini bellek içinde işlemeye veya manipüle etmeye, web hizmetleriyle entegre etmeye veya sonuçları bir veritabanında depolamaya ihtiyacınız olduğunda idealdir. Bu yaklaşım, dosya sistemi bağımlılıklarını önler ve web uygulamaları için dinamik HTML üretimini mümkün kılar. Yaygın kullanım alanları şunlardır:

• Web API Entegrasyonu: hOCR verilerini doğrudan API yanıtları olarak döndürün
• Veritabanı Saklama: Belge meta verileri ile OCR sonuçlarını saklayın
• Gerçek Zamanlı İşleme: Disk G/Ç yükü olmadan sonuçları işleyin
• Bulut İşlevleri: Sınırlı dosya erişimi olan sunucusuz ortamlarda çalışın
• İçerik Yönetim Sistemleri: OCR sonuçlarını mevcut belge iş akışlarına entegre edin

İlerleme takibi gerektiren uygulamalar için, dizgi çıktısı, geçici sonuçlar kullanıma hazır olduğunda anında işlenmesini sağlar. Bu, çok iş parçacıklı OCR işlemeyi uygularken, birden fazla belgenin eşzamanlı olarak işlendiği durumlarda özellikle faydalıdır.

Birden Fazla Sayfayı HTML Dizelerine Nasıl İşlerim?

Çok sayfalı belgelerle çalışırken, SaveAsHocrString tüm sayfaları uygun sayfa bölmeleriyle tek bir HTML dizesine birleştirir. Her sayfanın içeriği uygun hOCR elemanları içinde sarılmıştır ve belge yapısını ve sayfa sınırlarını korur.

// 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 işlemek veya farklı sayfalara farklı OCR yapılandırmaları uygulamak gibi ileri düzey senaryoları destekler.

hOCR Çıkış Kalitesi İçin En İyi Uygulamalar Nelerdir?

hOCR çıktınızın kalitesini en üst düzeye çıkarmak için işleme başlamadan önce görüntü optimizasyon 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 optimal filtre kombinasyonlarını belirlemenize yardımcı olur.

hOCR Yapısı İleri İşleme Nasıl Destekler?

Oluşturulan hOCR, belge hiyerarşisini temsil eden iç içe geçmiş div öğeleriyle standart spesifikasyona uyar:

<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 konum tespiti ve gelişmiş belge analizi yeteneklerini mümkün kılarak, mekansal metin ilişkileri veya yerleşim koruması gerektiren uygulamalar için değerli hale getirir. Tablo çıkarımı ile çalışırken, hOCR formatı tablo yapısını ve hücre ilişkilerini korumaya yardımcı olur.

Bbox (çevreleyen kutu) öznitelikleri, her bir metin öğesi için piksel hassasiyetinde konum verisi sağlayarak "bbox sol üst sağ alt" formatında koordinatlar içerir. Bu bilgi şunlar için kritik öneme sahiptir:

Metin seçimi ile etkileşimli belge görüntüleyicileri oluşturma Düzeni koruyan redaksiyon sistemlerinin uygulanması

• Okuma sırasını koruyan erişilebilirlik araçları geliştirme
• Belge karşılaştırma sistemleri geliştirme

Geliştiricilerin daha ayrıntılı yapılandırma seçeneklerine ihtiyaç duyması durumunda, Tesseract ayrıntılı yapılandırma kılavuzu, hOCR çıktı kalitesi ve yapısını etkileyen gelişmiş ayarlar sunar.

RenderHocr