使用IronOCR將 OCR 結果儲存為 C# 中的 hOCR HTML

為什麼設定 RenderHocr 很重要？

將 RenderHocr 屬性設為 true 會指示IronOCR在 OCR 過程中產生必要的 hOCR 結構。 如果沒有此配置，SaveAsHocrFile 和 SaveAsHocrString 方法將無法產生格式正確的 hOCR 輸出並保留佈局。 必須在呼叫 Read 方法之前設定此配置，因為它會影響Tesseract 引擎處理和建構輸出資料的方式。

hOCR格式保留了關鍵元數據，包括：

• 角色級邊界框
• 字詞置信度得分
• 行和段落結構
• 頁面尺寸和DPI信息
• 可偵測時的字體特徵

在實現電腦視覺工作流程或建構需要理解文件結構(而不只是簡單的文字擷取)的系統時，這種元資料尤其有用。

支援 hOCR 匯出的文件類型有哪些？

IronOCR支援從各種影像格式(包括 TIFF、PNG、JPEG、BMP 和 GIF)匯出 hOCR。 PDF 文件也可以處理並匯出為 hOCR，每頁的文字和佈局資訊都保留在 HTML 結構中。 該庫能夠無縫處理單頁圖像和多頁文件。

為了獲得不同文件類型的最佳效果：

• TIFF ：非常適合掃描文檔，支援多頁處理
• PDF ：非常適合混合內容(文字和圖像)
• PNG/JPEG ：最適合需要進行光學字元辨識 (OCR) 的照片或螢幕截圖。
• BMP ：適用於高品質掃描的未壓縮格式

在處理護照或車牌等特殊文件類型時，hOCR 格式有助於保留不同文字元素之間的空間關係，從而更容易根據位置提取特定欄位。

何時應該使用字串輸出而不是檔案輸出？

當您需要在記憶體中處理或操作 hOCR 資料、與 Web 服務整合或將結果儲存在資料庫中時，字串輸出是理想的選擇。 這種方法避免了對檔案系統的依賴，並能夠為 Web 應用程式動態產生 HTML。 常見應用場景包括：

• Web API 整合：直接在 API 回應中傳回 hOCR 數據 -資料庫儲存：將 OCR 結果與文件元資料一起存儲 -即時處理：無需磁碟 I/O 開銷即可處理結果 -雲端函數：在檔案存取權限受限的無伺服器環境中工作 -內容管理系統：將OCR結果整合到現有文件工作流程中

對於需要追蹤進度的應用，字串輸出允許在部分結果可用時立即進行處理。 在實現 多線程 OCR 處理時，如果同時處理多個文檔，這將特別有利。

如何將多個頁面處理成 HTML 字串？

處理多頁文件時，SaveAsHocrString 會將所有頁面合併為一個具有正確頁面分割的 HTML 字串。 每個頁面的內容都用適當的 hOCR 元素包裹起來，保持文件結構和頁面邊界。

// 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
 }

這種方法可以無縫地與PDF 串流配合使用，並支援處理特定頁面範圍或對不同頁面套用不同 OCR 配置等進階場景。

提高高解析度電腦影像辨識(hOCR)輸出品質的最佳實踐是什麼？

為了最大限度地提高 hOCR 輸出質量，請考慮在處理前應用影像最佳化濾鏡：

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);

對於低品質掃描，額外的預處理步驟可以顯著提高 hOCR 的準確性。 篩選精靈可協助您確定特定文件類型的最佳篩選組合。

hOCR結構如何支援高階處理？

產生的 hOCR 遵循標準規範，使用巢狀的 div 元素表示文件層次結構：

<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>

這種結構能夠精確提取文字位置並實現高級文件分析功能，因此對於需要空間文本關係或佈局保留的應用來說非常有價值。 在進行表格擷取時，hOCR 格式有助於維持表格結構和儲存格關係。

bbox（邊界框）屬性包含"bbox left top right bottom"格式的座標，為每個文字元素提供像素精確的位置資料。 這訊息至關重要，因為它關係到：

• 建立具有文字選擇的互動式文件檢視器
• 實作能夠保留版面的編輯系統
• 建立可訪問性工具，以保持閱讀順序
• 開發文件比較系統

對於需要更詳細配置選項的開發人員， Tesseract 詳細配置指南提供了影響 hOCR 輸出品質和結構的進階設定。