Save OCR Results as hOCR HTML in C# with IronOCR.

為什麼設定 RenderHocr 很重要？

將 RenderHocr 屬性設定為 true 會指示 IronOCR 在 OCR 過程中產生必要的 hOCR 結構。 如果沒有此設定，SaveAsHocrFile 和 SaveAsHocrString 方法將無法在保留版面的情況下產生正確格式化的 hOCR 輸出。 必須在呼叫Read方法之前設定此配置，因為它會影響Tesseract 引擎如何處理和建構輸出資料。

hOCR 格式保留了重要的元資料，包括

• 字元級邊界框
• 詞彙置信度分數
• 行和段結構
• 頁面尺寸與 DPI 資訊
• 可檢測時的字型特徵

在執行 電腦視覺工作流程或建立需要瞭解文件結構的系統時，這些元資料尤其有用，而不只是簡單的文字擷取。

哪些檔案類型支援 hOCR 匯出？

IronOCR 支援從各種影像格式匯出 hOCR，包括 TIFF、PNG、JPEG、BMP 和 GIF。 PDF文件也可以處理並匯出為hOCR，每個頁面的文字和排版資訊都會保留在HTML結構中。 該函式庫可無縫處理單頁圖片和多頁文件。

為達到不同檔案類型的最佳效果：

• TIFF：掃描文件的理想選擇，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 OCR 的照片或螢幕截圖
• BMP：適合高品質掃描的未壓縮格式

在處理專門的文件類型（例如 護照或 牌照）時，hOCR 格式有助於保留不同文字元素之間的空間關係，使根據位置提取特定欄位變得更加容易。

何時應該使用字串輸出而非檔案？

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於資料庫時，字串輸出是最理想的選擇。 此方法可避免檔案系統的依賴性，並可為網路應用程式動態產生 HTML。 常見的使用案例包括

• Web API 整合：在 API 回應中直接傳回 hOCR 資料
• 資料庫儲存：儲存 OCR 結果與文件元資料
• 即時處理：無需磁碟 I/O 開銷即可處理結果
• 雲端功能：在檔案存取受限的無伺服器環境中工作
• 內容管理系統：將 OCR 結果整合至現有的文件工作流程中

對於需要進度追蹤的應用程式，字串輸出可在部分結果可用時立即進行處理。 這對於實施 多執行緒 OCR 處理（在此處會同時處理多個文件）尤其有利。

如何將多個頁面處理成 HTML 字串？

在處理多頁文件時，SaveAsHocrString 可將所有頁面合併為單一的 HTML 字串，並具有適當的頁面分割。 每個頁面的內容都以適當的 hOCR 元素包覆，維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
 }

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

此方法可與 PDF 串流無縫運作，並支援進階方案，例如處理特定頁面範圍或對不同頁面套用不同的 OCR 配置。

什麼是 hOCR 輸出品質的最佳實作？

為了最大化 hOCR 輸出的品質，請考慮在處理之前套用 影像最佳化篩選器：

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)

對於 低品質掃描，額外的預處理步驟能大幅提升 hOCR 的精確度。 過濾器精靈 有助於為您的特定文件類型確定最佳的過濾器組合。

hOCR 結構如何支援進階處理？

生成的 hOCR 遵循標準規格，以嵌套的 div 元素代表文件層級：

<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>

此結構可實現精確的文字位置擷取和進階的文件分析功能，因此對於需要空間文字關係或版面保存的應用程式來說非常有價值。 在處理 表格萃取時，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 左上右下"格式的座標，為每個文字元素提供精確的像素位置資料。 這些資訊對於下列工作至關重要

• 建立具備文字選擇功能的互動式文件檢視器
• 實施保留版面的刪節系統
• 建立可維持閱讀順序的無障礙工具
• 開發文件比較系統

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