C#中OCR发票处理（开发者教程）

介绍

发票数据处理是指接收、管理和验证来自供应商或承包商的发票，确保付款正确且按时完成。此过程包括一些步骤，旨在确保处理业务交易的准确性、合规性和效率，以避免纸质发票。 自动化发票处理可以显著减少手动数据输入错误并提高效率。 IronOCR 是一个强大的光学字符识别 (OCR) 软件库，可以用于从数字文件的发票中提取数据或文本，使其成为在 C# 应用程序中自动化发票 OCR 处理的优秀工具。

如何使用像 IronOCR 这样的 OCR 软件处理发票数据

1. 创建一个 Visual Studio 项目。

2. 安装IronOCR C#库。

3. 示例输入发票图像。

4. 使用 Tesseract 从收据图像中提取数据。

5. 仅读取图像的某个区域。

光学字符识别 (OCR)

光学字符识别是一种技术，可以识别和转换不同类型的文档、PDF或文本图像，将其转换为可编辑和可搜索的数据。 OCR技术处理文本图像并提取字符，使其可被机器读取。 高级光学字符识别（OCR）发票软件系统有助于财务管理工具和发票自动化。

OCR关键点

• 功能：OCR 软件扫描图像或文本（例如，照片或扫描文档），并将字符转换为可编辑、搜索和存储的数字文本。
• 应用领域：OCR 广泛应用于各种行业的任务，如数字化印刷文档、发票处理、表单数据提取、车牌自动识别（ANPR）、应付账款工作流程以及扫描书籍。
• 技术：OCR使用算法识别明暗模式以解释字符。 现代OCR系统还使用机器学习和人工智能来提高准确性。

• 优点：OCR通过自动化数据输入、减少错误并使数据搜索和检索更容易来提高生产力。 它还支持文档存档，帮助企业管理无纸化工作流程。

  OCR技术已经显著发展，使其在处理文件和发票数据提取方面极其精确且有用，可支持多种不同的发票格式，以减少手动数据输入、消除手动发票处理并增强数据安全性。

IronOCR

IronOCR 是一个强大的适用于 .NET (C#) 的光学字符识别 (OCR) 库，允许开发人员从图像、PDF 和其他文档格式中提取文本，开发 OCR 发票软件，并实现应付账款工作流程。 它提供了一个易于使用的API，用于将OCR功能集成到应付账款系统或会计系统中。

IronOCR 的主要功能

• 文本提取：它可以从各种图像格式（PNG、JPG、TIFF等）和PDF中提取文本，包括适用于会计软件的多页PDF。
• 准确性：IronOCR 使用先进的算法和机器学习技术，即使在嘈杂或低质量的图像中，也能在应付账款流程和提前付款折扣中提供高精度的文本识别。
• 语言支持：该库支持多种语言，包括英语、西班牙语、法语等，这有助于识别不同语言的文本。
• 易用性：IronOCR 提供了一个简单的API，使开发人员无需深入了解OCR技术即可快速将OCR功能集成到其应用程序中。
• 条形码和二维码识别：除了标准文本识别外，IronOCR 还可以从图像中检测和提取条形码和二维码。
• PDF支持：它可以从扫描的PDF中读取和提取文本，非常适合处理发票、收据和其他业务文档。
• 自定义：该库允许根据特定需求自定义OCR设置，例如调整精度或处理不同图像分辨率。

先决条件

在开始之前，请确保您具备以下条件：

• 您的计算机上安装了 Visual Studio。
• 对 C# 编程有基本了解。
• 在您的项目中安装IronOCR NuGet包。

步骤 1：创建一个 Visual Studio 项目

打开 Visual Studio，点击创建新项目。

在选项中选择控制台应用程序。

提供项目名称和路径。

选择 .NET 版本类型。

步骤 2：安装 IronOCR C# 库

在 Visual Studio 中的项目中，转到工具 > NuGet 包管理器 > 为解决方案管理 NuGet 包。 点击“浏览”选项卡并搜索IronOCR。 选择IronOCR并点击安装。

另一种选项是使用控制台和以下命令。

dotnet add package IronOcr --version 2024.12.2

dotnet add package IronOcr --version 2024.12.2

'INSTANT VB TODO TASK: The following line uses invalid syntax:
'dotnet add package IronOcr --version 2024.12.2

步骤 3：示例输入发票图像

带有发票编号的数字发票示例图像。

步骤 4：使用 Tesseract 从收据图像中提取数据

现在使用以下代码从发票中提取数据以进行OCR发票处理。

using IronOcr;
License.LicenseKey = "Your License";
string filePath = "sample1.jpg"; // image for invoice OCR
// Create an instance of IronTesseract
var ocr = new IronTesseract();
// Load the image or PDF file
using (var ocrInput = new OcrInput())
{
    ocrInput.LoadImage(filePath);
    // Optionally apply filters if needed 
    ocrInput.Deskew();
    // ocrInput.DeNoise(); 
    // Read the text from the image or PDF
    var ocrResult = ocr.Read(ocrInput);
    // Output the extracted text
    Console.WriteLine("Extracted Text:");
    Console.WriteLine(ocrResult.Text);
    // next steps are to process data and use the extracted and validated data with invoice date
}

using IronOcr;
License.LicenseKey = "Your License";
string filePath = "sample1.jpg"; // image for invoice OCR
// Create an instance of IronTesseract
var ocr = new IronTesseract();
// Load the image or PDF file
using (var ocrInput = new OcrInput())
{
    ocrInput.LoadImage(filePath);
    // Optionally apply filters if needed 
    ocrInput.Deskew();
    // ocrInput.DeNoise(); 
    // Read the text from the image or PDF
    var ocrResult = ocr.Read(ocrInput);
    // Output the extracted text
    Console.WriteLine("Extracted Text:");
    Console.WriteLine(ocrResult.Text);
    // next steps are to process data and use the extracted and validated data with invoice date
}

Imports IronOcr
License.LicenseKey = "Your License"
Dim filePath As String = "sample1.jpg" ' image for invoice OCR
' Create an instance of IronTesseract
Dim ocr = New IronTesseract()
' Load the image or PDF file
Using ocrInput As New OcrInput()
	ocrInput.LoadImage(filePath)
	' Optionally apply filters if needed 
	ocrInput.Deskew()
	' ocrInput.DeNoise(); 
	' Read the text from the image or PDF
	Dim ocrResult = ocr.Read(ocrInput)
	' Output the extracted text
	Console.WriteLine("Extracted Text:")
	Console.WriteLine(ocrResult.Text)
	' next steps are to process data and use the extracted and validated data with invoice date
End Using

代码解释

提供的代码演示了如何在C#中使用IronOCR库通过OCR（光学字符识别）从图像（例如发票）中提取文本。 以下是代码每个部分的解释，但不包含具体代码：

1. 许可证密钥设置：

   代码开始于为IronOCR设置许可证密钥。 此密钥是使用该库全部功能所必需的。 如果您有有效的许可证，请将“Your License”替换为您的实际许可证密钥。

2. 指定输入文件：

   filePath 变量保存包含发票的图像的位置（在本例中为“sample1.jpg”）。 这是将用于文本提取的文件。

3. 创建一个OCR实例：

   创建一个IronTesseract实例。 IronTesseract 是负责对输入数据（图像或PDF）执行OCR操作的类。

4. 加载图像：

   然后，代码创建一个 OcrInput 对象，用于加载图像（在本例中，是由 filePath 指定的 JPG 文件）。 LoadImage 方法用于读取图像文件并为 OCR 做准备。

5. 应用图像滤镜：

   代码包含一个过滤步骤，其中可以应用可选的图像处理方法，如Deskew（校正倾斜图像）和DeNoise（去除图像噪声），以提高OCR的准确性。 在这种情况下，只有Deskew方法是激活的。

6. 执行 OCR：

   • ocr.Read() 方法用于从加载的图像中提取文本。 将包含图像的ocrInput对象传递给该方法，返回一个包含提取文本的OcrResult对象。

7. 显示提取的文本：

   • 提取的文本随后打印到控制台。 这是IronOCR从图像中识别的文本，可用于进一步处理。

输出

步骤 5：仅读取图像的某个区域

为了提高效率，只能使用图像的一部分进行提取。

using IronOcr;
using IronSoftware.Drawing;
License.LicenseKey = "Your Key";
string filePath = "sample1.jpg"; 
// Create an instance of IronTesseract
var ocr = new IronTesseract();
// Load the image or PDF file
using (var ocrInput = new OcrInput())
{
    var ContentArea = new Rectangle(x: 0, y: 0, width: 1000, height: 250);
    ocrInput.LoadImage(filePath, ContentArea);
    // Optionally apply filters if needed 
    ocrInput.Deskew();
    // ocrInput.DeNoise(); 
    // Read the text from the image or PDF
    var ocrResult = ocr.Read(ocrInput);
    // Output the extracted text
    Console.WriteLine("Extracted Text:");
    Console.WriteLine(ocrResult.Text);
}

using IronOcr;
using IronSoftware.Drawing;
License.LicenseKey = "Your Key";
string filePath = "sample1.jpg"; 
// Create an instance of IronTesseract
var ocr = new IronTesseract();
// Load the image or PDF file
using (var ocrInput = new OcrInput())
{
    var ContentArea = new Rectangle(x: 0, y: 0, width: 1000, height: 250);
    ocrInput.LoadImage(filePath, ContentArea);
    // Optionally apply filters if needed 
    ocrInput.Deskew();
    // ocrInput.DeNoise(); 
    // Read the text from the image or PDF
    var ocrResult = ocr.Read(ocrInput);
    // Output the extracted text
    Console.WriteLine("Extracted Text:");
    Console.WriteLine(ocrResult.Text);
}

Imports IronOcr
Imports IronSoftware.Drawing
License.LicenseKey = "Your Key"
Dim filePath As String = "sample1.jpg"
' Create an instance of IronTesseract
Dim ocr = New IronTesseract()
' Load the image or PDF file
Using ocrInput As New OcrInput()
	Dim ContentArea = New Rectangle(x:= 0, y:= 0, width:= 1000, height:= 250)
	ocrInput.LoadImage(filePath, ContentArea)
	' Optionally apply filters if needed 
	ocrInput.Deskew()
	' ocrInput.DeNoise(); 
	' Read the text from the image or PDF
	Dim ocrResult = ocr.Read(ocrInput)
	' Output the extracted text
	Console.WriteLine("Extracted Text:")
	Console.WriteLine(ocrResult.Text)
End Using

代码解释

此代码使用IronOCR从图像的特定区域提取文本，并可选择应用诸如倾斜校正之类的过滤器以提高准确性。 提取的文本随后被显示，准备进一步使用。

许可证设置：

代码的第一部分涉及为IronOCR设置许可证密钥。 这需要在库中使用OCR功能。 您应该将许可证密钥替换为您从IronOCR获得的实际密钥，以便访问库的全部功能。

2. 定义图像文件路径：

您希望处理的图像的文件路径已指定。 此图像（在此情况下为 JPG 文件）包含 OCR 将从中提取文本的文档或内容。 路径可以指向本地系统或其他可访问存储上的图像文件。

3. 创建一个OCR实例：

创建了一个IronTesseract类的实例。 此对象是核心引擎，将在图像上执行光学字符识别。

4. 定义要处理的区域：

在图像中定义了一个矩形（感兴趣区域）。 此矩形用于指定OCR引擎将聚焦的图像部分。 在此示例中，矩形从左上角开始（x=0，y=0），宽度为1000像素，高度为250像素。 此步骤帮助OCR仅处理图像的相关部分，提高准确性和速度。

5. 加载图像：

图像被加载到OCR引擎，但只有定义的矩形（内容区域）被处理。 这使您能够将OCR的范围缩小到图像的特定部分，当图像包含不相关的区域（例如背景或徽标）且您不想处理这些区域时，这尤其有用。

6. 应用过滤器：

该代码可以选择性地对图像应用纠偏过滤器。 倾斜校正是指在图像存在任何倾斜或旋转时对其进行矫正的过程，以提高OCR的准确性。 另一个过滤器，denoise，可用但被注释掉了。 如果启用，它将从图像中去除噪声（不需要的标记），这可能进一步提高OCR的准确性。

7. 提取文本：

OCR 引擎读取图像（或其指定区域）并提取其识别的任何文本。 结果存储在一个包含识别文本的对象中。

8. 输出提取的文本：

最后，提取的文本将打印到控制台。 此文本是 OCR 过程的结果，可以进一步处理、验证，或用于诸如数据输入或文档管理的应用程序中。

输出

许可证（可试用）

IronOCR需要密钥才能从发票中提取数据，请从许可页面获取您的开发人员试用密钥。

using IronOcr;
License.LicenseKey = "Your Key";

using IronOcr;
License.LicenseKey = "Your Key";

Imports IronOcr
License.LicenseKey = "Your Key"

结论

本文提供了使用IronOCR进行发票处理的基本示例。 您可以进一步自定义和扩展此代码以满足您的具体需求。

IronOCR 提供了一种高效且易于集成的解决方案，用于从图像和 PDF 中提取文本，非常适合发票处理。 通过将IronOCR与C#字符串操作或正则表达式结合使用，您可以快速处理并提取发票中的重要数据。

这是一个发票处理的基本示例，通过更高级的配置（如语言识别、多页面PDF处理等），您可以微调OCR结果以提高对特定用例的准确性。

IronOCR 的 API 非常灵活，可以用于除了发票处理之外的多种 OCR 任务，包括收据扫描、文件转换和数据录入自动化。