使用 IronOCR 在 C# 中將 OCR 結果儲存為 hOCR HTML

為何設定 RenderHocr 很重要？

將 RenderHocr 屬性設定為 true，可指示 IronOCR 在 OCR 處理過程中產生必要的 hOCR 結構。 若未進行此設定，SaveAsHocrFile 與 SaveAsHocrString 方法將無法產生格式正確且保留版面的 hOCR 輸出。 此設定必須在呼叫 Read 方法之前完成，因為它會影響 Tesseract 引擎處理及組織輸出資料的方式。

hOCR 格式會保留關鍵的元資料，包括：

• 字元級邊界框
• WORD 信心分數
• 行與段落結構
• 頁面尺寸與 DPI 資訊
• 若可偵測，請保留字型特性

此元資料在實作電腦視覺工作流程，或建置需要理解文件結構（而非僅限於簡單文字擷取）的系統時，特別有用。

哪些檔案類型支援 hOCR 匯出？

IronOCR 支援從多種圖像格式（包括 TIFF、PNG、JPEG、BMP 和 GIF）匯出 hOCR 資料。 PDF 文件亦可進行處理並匯出為 hOCR 格式，每頁的文字與版面配置資訊皆會保留於 HTML 結構中。 此函式庫能無縫處理單頁影像及多頁文件。

針對不同檔案類型以獲得最佳效果：

• TIFF：適用於掃描文件，支援多頁處理
• PDF：非常適合混合內容（文字與圖片）
• PNG/JPEG：最適合需要 OCR 處理的照片或螢幕截圖
• 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，使開發者能根據文字位置更輕鬆地擷取特定欄位。

何時應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、與網路服務整合，或將結果儲存至資料庫時，字串輸出是最佳選擇。 此方法可避免對檔案系統的依賴，並能為網頁應用程式實現動態 HTML 生成。 常見的使用情境包括：

• Web API 整合：直接在 API 回應中傳回 hOCR 資料
• 資料庫儲存：將 OCR 結果與文件元資料一併儲存
• 即時處理：無需磁碟 I/O 開銷即可處理結果
• Cloud Functions：在檔案存取受限的無伺服器環境中運作
• 內容管理系統：將 OCR 結果整合至現有的文件工作流程中

對於需要追蹤進度的應用程式，字串輸出可讓系統在部分結果產生時立即進行處理。 這在實作多執行緒 OCR 處理時尤為有益，因為該處理方式可同時處理多份文件。

如何將多頁內容處理為 HTML 字串？

處理多頁文件時，SaveAsHocrString 會將所有頁面整合為單一 HTML 字串，並包含適當的分頁標記。 每頁內容均以適當的 hOCR 元素包覆，以維持文件結構與頁面邊界。

// 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 流無縫整合，並支援進階情境，例如處理特定頁碼範圍，或對不同頁面套用不同的 OCR 設定。

hOCR 輸出品質的最佳實踐有哪些？

為確保 hOCR 輸出品質最佳，建議在處理前先套用影像優化濾鏡：

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);

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)

對於掃描品質不佳的文件，額外的預處理步驟可顯著提升 hOCR 的準確度。 篩選器精靈可協助您針對特定文件類型，找出最佳的篩選器組合。

hOCR 結構如何支援進階處理？

生成的 hOCR 遵循標準規範，透過嵌套的 div 元素來呈現文件層級結構：

<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>

此結構可實現精確的文字位置擷取與進階文件分析功能，對於需要空間文字關聯性或版面配置保留的應用場景極具價值。 在處理表格擷取時，hOCR 格式有助於維持表格結構與儲存格間的關聯性。

bbox（邊界框）屬性包含格式為"bbox left top right bottom"的座標，為每個文字元素提供像素級精確的位置資料。 此資訊對於以下對象至關重要：

• 建立具備文字選取功能的互動式文件檢視器
• 實作能保留版面的遮蔽系統
• 建立能維持閱讀順序的無障礙工具
• 開發文件比對系統

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會影響 hOCR 輸出品質與結構的高階設定。

RenderHocr