使用IronOCR在C#中將OCR結果保存為hOCR HTML

為什麼設置RenderHocr很重要？

設置RenderHocr屬性為true可指示IronOCR在OCR過程中生成必要的hOCR結構。 如果沒有這種配置，SaveAsHocrString方法將不會產生正確格式的hOCR輸出以及佈局保留。 必須在調用Read方法之前設置此配置，因為它會影響Tesseract引擎如何處理和構建輸出資料。

hOCR格式保留了關鍵的元資料包括：

• 字元級的邊框框
• 單詞信心分數
• 行和段落結構
• 頁面尺寸和DPI資訊
• 字體特徵（在可檢測時）

當實現計算機視覺工作流程或構建需要了解文件結構超越簡單文字提取的系統時，這些元資料特別有用。

哪些文件型別支持hOCR導出？

IronOCR支持從多種圖像格式導出hOCR，包括TIFF、PNG、JPEG、BMP和GIF。 PDF文件也可以被處理並導出為hOCR，其中每頁的文字和佈置資訊以HTML結構保存。 程式庫能夠無縫處理單頁圖像和多頁文件。

對於不同文件型別獲得最佳結果：

• TIFF：理想的掃描文件，支持多頁處理
• PDF：優秀的混合內容（文字和圖像）
• PNG/JPEG：最佳用於需要OCR的照片或截圖
• BMP：適合高質量掃描的未壓縮格式

處理特殊文件型別，如護照或車牌，hOCR格式幫助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。

什麼時候應該使用字串輸出而不是文件？

字串輸出理想當您需要在記憶體中處理或操作hOCR資料，整合到網路服務中，或將結果儲存在資料庫中。 此方法避免了文件系統依賴，並使網路應用動態生成HTML成為可能。 常見用例包括：

• 網路API整合：直接在API回應中返回hOCR資料
• 資料庫儲存：將OCR結果與文件元資料一起儲存
• 實時處理：處理結果而不受磁盤I/O負擔影響
• 雲端功能：在伺服器無環境中有限的文件存取下工作
• 內容管理系統：將OCR結果整合至現有文件工作流程中

對於需要進度追蹤的應用程式，字串輸出允許在部分結果可用時立即處理。 這在實施多執行緒OCR處理時特別有利，那時多個文件同時被處理。

如何將多頁文件處理為HTML字串？

處理多頁文件時，SaveAsHocrString會將所有頁合併為一個HTML字串，保持正確的頁面分隔。 每頁內容都包裹在相應的hOCR元素中，保持文件結構和頁邊界。

:path=/static-assets/ocr/content-code-examples/how-to/html-hocr-export-4.cs

// 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();

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()
End Using

這種方法無縫支持PDF流，並支持高級情境如處理特定頁範圍或將不同的OCR配置應用於不同頁面。

hOCR輸出品質的最佳實踐是什麼？

為了最大化您的hOCR輸出品質，考慮在處理之前應用圖像優化過濾器：

:path=/static-assets/ocr/content-code-examples/how-to/html-hocr-export-5.cs

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)

針對低質量掃描，額外的預處理步驟可顯著提高hOCR準確性。 過濾器精靈幫助決定最佳的過濾器組合以滿足您的特定文件型別。

hOCR結構如何支持高級處理？

生成的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>

這種結構支持精確的文字位置提取和高級文件分析能力，對於需要空間文字關係或佈局保留的應用程式極為寶貴。 處理表格提取時，hOCR格式有助於保持表格結構和單元格關係。

bbox（邊框框）屬性以"bbox left top right bottom"格式包含坐標，為每個文字元素提供像素精確的位置資料。 此資訊對於以下方面至關重要：

• 建立具有文字選擇功能的互動式文件查看器
• 實施保留佈局的刪除系統
• 構建保持閱讀順序的無障礙工具
• 開發文件比較系統

對於需要更詳細配置選項的開發者，Tesseract詳細配置指南提供影響hOCR輸出質量和結構的高級設置。

RenderHocr