使用 IronOCR 将 OCR 结果保存为 C# 中的 hOCR HTML.

IronOCR 使开发人员能够通过将 RenderHocr 设置为 true 并使用 SaveAsHocrFile 或 SaveAsHocrString 方法将 OCR 结果保存为 hOCR HTML 文件，以结构化 HTML 格式保留文本布局和字符坐标。

快速入门：将 OCR 输出保存为 hOCR HTML 文件

只需一次设置和一次方法调用，即可启用 hOCR 渲染并将结果直接导出到 HTML 文件。

什么是 hOCR？ hOCR，即"基于 HTML 的 OCR"，是一种用于以结构化方式表示光学字符识别 (OCR) 结果的文件格式。 hOCR 文件使用 HTML 编写，提供了一种存储识别文本、布局信息以及图像或文档中每个识别字符坐标的方法。 这种结构化的格式使 hOCR 对于需要文本位置数据的应用特别有价值，例如文档索引、无障碍工具和高级搜索实现。 hOCR 格式对于构建应用程序的开发人员来说至关重要，因为他们不仅需要了解文本的内容，还需要了解文本在原始文档中的位置。 这些空间信息可以实现以下功能：[突出显示文本以进行调试](https://ironsoftware.com/csharp/ocr/examples/highlight-texts-for-debugging/)、在原始图像上创建可点击的覆盖图，以及在将扫描文档转换为可访问格式时保持文档布局的完整性。 对于处理 [ 扫描文档](https://ironsoftware.com/csharp/ocr/examples/read-scanned-document/)的企业应用程序，hOCR 为高级文档理解和提取工作流程奠定了基础。

如何将 OCR 结果导出为 hOCR 文件？ <！--！[屏幕截图演示如何将 OCR 结果导出为 Hocr 文件？ 在 IronPDF 中](/static-assets/images/TODO/how-do-i-export-ocr-results-as-hocr-files-step_screenshot.webp) --> <！-- 说明：显示逐步过程的截图 --> 要将结果导出为 hOCR，首先要启用 **Configuration.RenderHocr** 属性，将其设置为 true。 从 `Read` 方法中获取 [OcrResult 对象](https://ironsoftware.com/csharp/ocr/examples/results-objects/)后，使用 `SaveAsHocrFile` 方法将 OCR 结果导出为 HTML。 此方法可输出包含输入文档阅读结果的 HTML 文件。 以下代码演示了如何使用以下[示例 TIFF](/static-assets/ocr/how-to/html-export/Potter.tiff)文件。 ```csharp :path=/static-assets/ocr/content-code-examples/how-to/html-export-export-html.cs ``` [OcrInput 类](https://ironsoftware.com/csharp/ocr/examples/csharp-ocr-input-for-iron-tesseract/)为在 OCR 处理前准备图像提供了广泛的选项。 您可以应用过滤器、指定感兴趣的区域并处理各种输入格式，包括 [ 多页 TIFF 文件](https://ironsoftware.com/csharp/ocr/examples/csharp-tesseract-multipage-tiff/)。 在使用 [PDF OCR 文本提取](https://ironsoftware.com/csharp/ocr/examples/csharp-pdf-ocr/)时，同样的 hOCR 导出方法可无缝应用。

为什么设置 RenderHocr 至关重要？ 将 `RenderHocr` 属性设置为 true 可指示 IronOCR 在 OCR 过程中生成必要的 hOCR 结构。 如果没有此配置，`SaveAsHocrFile` 和 `SaveAsHocrString` 方法将无法生成保留布局的正确格式化 hOCR 输出。 必须在调用`Read`方法之前设置此配置，因为它会影响[Tesseract 引擎](https://ironsoftware.com/csharp/ocr/tutorials/c-sharp-tesseract-ocr/)如何处理和构建输出数据。 hOCR 格式保留了重要的元数据，包括 - 字符级边界框 - 单词置信度得分 - 行和段落结构 - 页面尺寸和 DPI 信息 - 可检测到的字体特征 在实施[计算机视觉](https://ironsoftware.com/csharp/ocr/how-to/computer-vision/)工作流程或构建需要理解文档结构而非简单文本提取的系统时，这些元数据尤其有用。

哪些文件类型支持 hOCR 导出？ IronOCR 支持从各种图像格式导出 hOCR，包括 TIFF、PNG、JPEG、BMP 和 GIF。 [PDF文档](https://ironsoftware.com/csharp/ocr/examples/csharp-pdf-ocr/)也可以处理并导出为 hOCR，在 HTML 结构中保留每一页的文本和布局信息。 该库可无缝处理单页图像和多页文档。 不同文件类型的最佳效果： - **TIFF**：扫描文件的理想选择，支持多页处理 - **PDF**：非常适合混合内容（文本和图像） - **PNG/JPEG**：最适合需要 OCR 的照片或屏幕截图 - **BMP**：适合高质量扫描的未压缩格式 在处理 [ 护照](https://ironsoftware.com/csharp/ocr/examples/read-passport/)或 [ 牌照](https://ironsoftware.com/csharp/ocr/examples/read-license-plate/)等专业文档类型时，hOCR 格式有助于保留不同文本元素之间的空间关系，从而更容易根据位置提取特定字段。

如何将 OCR 结果导出为 HTML 字符串？ <！--！[屏幕截图演示如何将 OCR 结果导出为 HTML 字符串？ 在 IronPDF 中](/static-assets/images/TODO/how-can-i-export-ocr-results-as-html-strings-step_screenshot.webp) --> <！-- 说明：显示逐步过程的截图 --> 使用相同的 TIFF 示例图像，使用 `SaveAsHocrString` 方法将 OCR 结果导出为 HTML 字符串。 该方法返回 HTML 字符串。 ```csharp :path=/static-assets/ocr/content-code-examples/how-to/html-export-export-html-string.cs ``` 字符串输出包含完整的 hOCR 标记，可以进一步处理、存储到数据库中或集成到网络应用程序中。 这种方法在构建[可搜索 PDF 系统](https://ironsoftware.com/csharp/ocr/examples/make-pdf-searchable/)或实施自定义文档索引解决方案时尤其有用。 对于使用 [125 种国际语言](https://ironsoftware.com/csharp/ocr/examples/intl-languages/)的开发人员，hOCR 格式保留了特定语言的文本属性和阅读方向信息。

何时应使用字符串输出而不是文件？ 当您需要在内存中处理或操作 hOCR 数据、与网络服务集成或将结果存储到数据库中时，字符串输出是理想之选。 这种方法避免了文件系统依赖性，并能为网络应用程序动态生成 HTML。 常见的用例包括： - **Web API 集成**：在 API 响应中直接返回 hOCR 数据 - **数据库存储**：使用文档元数据存储 OCR 结果 - **实时处理**：无需磁盘 I/O 开销即可处理结果 - **云功能**：在文件访问受限的无服务器环境中工作 - **内容管理系统**：将 OCR 结果集成到现有文档工作流程中 对于需要[进度跟踪](https://ironsoftware.com/csharp/ocr/examples/progress-tracking/)的应用程序，字符串输出可在部分结果可用时立即进行处理。 这在实施 [ 多线程 OCR 处理](https://ironsoftware.com/csharp/ocr/examples/csharp-tesseract-multithreading-for-speed/)（同时处理多个文档）时尤其有益。

如何将多个页面处理为 HTML 字符串？ 在处理多页文档时，`SaveAsHocrString` 可将所有页面合并为一个具有适当分页的 HTML 字符串。 每个页面的内容都用适当的 hOCR 元素封装，保持文档结构和页面边界。 ```csharp // 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 } ``` 这种方法可与 [PDF 流](https://ironsoftware.com/csharp/ocr/examples/ocr-for-pdf-stream/)无缝协作，并支持处理特定页面范围或对不同页面应用不同 OCR 配置等高级应用场景。 ## 高级 hOCR 实施技巧 --> <！--说明：显示代码执行输出或结果的截图 -->

哪些是保证 hOCR 输出质量的最佳实践？ 为了最大限度地提高 hOCR 输出的质量，请考虑在处理之前应用 [ 图像优化过滤器](https://ironsoftware.com/csharp/ocr/examples/ocr-image-filters-for-net-tesseract/)： ```csharp 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); ``` 对于[低质量扫描](https://ironsoftware.com/csharp/ocr/examples/ocr-low-quality-scans-tesseract/)，额外的预处理步骤可以显著提高 hOCR 的准确性。 [过滤器向导](https://ironsoftware.com/csharp/ocr/examples/filter-wizard/)可帮助确定特定文档类型的最佳过滤器组合。

hOCR 结构如何支持高级处理？ 生成的 hOCR 遵循标准规范，采用嵌套 div 元素表示文档层次结构： ```html

Hello World

``` 这种结构可以实现精确的文本位置提取和先进的文档分析功能，对于需要空间文本关系或布局保存的应用非常有价值。 在使用 [ 表格提取](https://ironsoftware.com/csharp/ocr/examples/read-table-in-document/)时，hOCR 格式有助于保持表格结构和单元格关系。 bbox（边框）属性包含 "bbox 左上右下 "格式的坐标，为每个文本元素提供像素级精确位置数据。 这些信息对于 - 创建具有文本选择功能的交互式文档查看器 - 实施保留排版的节录系统 - 构建保持阅读顺序的无障碍工具 - 开发文档比较系统 对于需要更详细配置选项的开发人员，[Tesseract详细配置指南](https://ironsoftware.com/csharp/ocr/examples/csharp-configure-setup-tesseract/)提供了影响hOCR输出质量和结构的高级设置。