在C#中使用IronOCR将OCR结果保存为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,保留文本布局和字符坐标的结构化HTML格式。
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。
-
1使用 IronOCR 安装 NuGet Package Manager
-
2复制并运行这段代码。
var hocr = new IronTesseract { Configuration = { RenderHocr = true } }.Read(new OcrImageInput("image.png")).SaveAsHocrString();Dim hocr = New IronTesseract With { .Configuration = { .RenderHocr = True } }.Read(New OcrImageInput("image.png")).SaveAsHocrString()Dim hocr = New IronTesseract With { .Configuration = { .RenderHocr = True } }.Read(New OcrImageInput("image.png")).SaveAsHocrString() -
3部署到您的生产环境中进行测试
今天就用免费试用在您的项目中开始使用IronOCR
最小工作流程(5 个步骤)
- 下载C#库以将结果保存为HTML文件中的hOCR
- 准备好要处理的图像和PDF文档
- 将RenderHocr属性设置为 true
- 使用
SaveAsHocrFile方法输出 HTML 文件 - 使用
SaveAsHocrString方法输出 HTML 字符串
什么是hOCR?为什么要使用它?
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。 此空间信息可实现诸如高亮文本用于调试、在原始图像上创建可点击叠加层以及在将扫描文档转换为可访问格式时保持文档布局完整性等功能。 对于处理扫描文档的企业应用程序,hOCR为高级文档理解和提取工作流提供了基础。
如何将OCR结果导出为hOCR文件?
要将结果导出为hOCR,首先通过将Configuration.RenderHocr属性设置为true来启用它。 从Read方法获得OcrResult对象后,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。 下面的代码演示了使用以下示例TIFF文件。
using IronOcr;
// Instantiate IronTesseract
IronTesseract ocrTesseract = new IronTesseract();
// Enable render as hOCR
ocrTesseract.Configuration.RenderHocr = true;
// Add image
using var imageInput = new OcrImageInput("Potter.tiff");
imageInput.Title = "Html Title";
// Perform OCR
OcrResult ocrResult = ocrTesseract.Read(imageInput);
// Export as HTML
ocrResult.SaveAsHocrFile("result.html");using IronOcr;
// Instantiate IronTesseract
IronTesseract ocrTesseract = new IronTesseract();
// Enable render as hOCR
ocrTesseract.Configuration.RenderHocr = true;
// Add image
using var imageInput = new OcrImageInput("Potter.tiff");
imageInput.Title = "Html Title";
// Perform OCR
OcrResult ocrResult = ocrTesseract.Read(imageInput);
// Export as HTML
ocrResult.SaveAsHocrFile("result.html");Imports IronOcr
' Instantiate IronTesseract
Private ocrTesseract As New IronTesseract()
' Enable render as hOCR
ocrTesseract.Configuration.RenderHocr = True
' Add image
Dim imageInput = New OcrImageInput("Potter.tiff")
imageInput.Title = "Html Title"
' Perform OCR
Dim ocrResult As OcrResult = ocrTesseract.Read(imageInput)
' Export as HTML
ocrResult.SaveAsHocrFile("result.html")Imports IronOcr
' Instantiate IronTesseract
Private ocrTesseract As New IronTesseract()
' Enable render as hOCR
ocrTesseract.Configuration.RenderHocr = True
' Add image
Dim imageInput = New OcrImageInput("Potter.tiff")
imageInput.Title = "Html Title"
' Perform OCR
Dim ocrResult As OcrResult = ocrTesseract.Read(imageInput)
' Export as HTML
ocrResult.SaveAsHocrFile("result.html")OcrInput类提供了丰富的选项,以便在OCR处理之前准备图像。 您可以应用滤镜、指定兴趣区,并处理包括多页TIFF文件在内的各种输入格式。 在处理PDF OCR文本提取时,同样适用hOCR导出方法。
为什么设置RenderHocr很重要?
将RenderHocr属性设置为true指示IronOCR在OCR过程中生成必要的hOCR结构。 没有此配置,SaveAsHocrFile和SaveAsHocrString方法将无法生成具有布局保留的格式正确的hOCR输出。 此配置必须在调用Read方法之前设置,因为它会影响Tesseract引擎如何处理和结构化输出数据。
hOCR 格式保留了重要的元数据,包括
- 字符级边界框
- 单词置信度分数
- 行和段落结构
- 页面尺寸和 DPI 信息
- 可检测到的字体特征
此元数据在实现计算机视觉工作流或构建需要理解文档结构的系统时特别有用,而不仅仅是简单的文本提取。
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文档也可以处理并导出为hOCR,每一页的文本和布局信息在HTML结构中得以保留。 该库可以处理单页图像和多页文档。
不同文件类型的最佳效果:
- TIFF:适用于扫描文件,支持多页处理
- PDF:适用于混合内容(文本和图像)
- PNG/JPEG:适用于需要OCR的照片或截图
- BMP:无压缩格式,适用于高质量扫描
在处理护照或车牌等特殊文档类型时,hOCR格式有助于保留不同文本元素之间的空间关系,使得根据其位置提取特定字段更加容易。
如何将OCR结果导出为HTML字符串?
使用相同的TIFF示例图像,利用SaveAsHocrString方法将OCR结果导出为HTML字符串。 该方法返回 HTML 字符串。
// Export as HTML string
string hocr = ocrResult.SaveAsHocrString();// Export as HTML string
string hocr = ocrResult.SaveAsHocrString();' Export as HTML string
Dim hocr As String = ocrResult.SaveAsHocrString()' Export as HTML string
Dim hocr As String = ocrResult.SaveAsHocrString()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。 此方法在构建可搜索PDF系统或实现自定义文档索引解决方案时特别有用。 对于使用125种国际语言的开发人员,hOCR格式可以保留特定于语言的文本属性和阅读方向信息。
何时应该使用字符串输出而非文件?
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:将OCR结果与文档元数据一起存储
- 实时处理:处理结果而无需磁盘I/O负担
- 云函数:在文件访问有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中
对于需要进度跟踪的应用程序,字符串输出允许在部分结果可用时立即处理。 这在实现多线程OCR处理时尤其有利,因为可以同时处理多个文档。
如何处理多页文档为HTML字符串?
处理多页文档时,SaveAsHocrString将所有页面合并为一个带有正确页面分隔的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。
// 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();// 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();' 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' 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这种方法适用于PDF流,并支持高级场景,比如处理特定页面范围或对不同页面应用不同OCR配置。
高级hOCR实施技巧
hOCR输出质量的最佳实践是什么?
为了最大化您的hOCR输出质量,请在处理前考虑应用图像优化过滤器:
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)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)对于低质量扫描件,额外的预处理步骤可以显著提高hOCR的准确性。 过滤器向导有助于确定适合您特定文档类型的最佳滤镜组合。
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:
<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>
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。 在处理表格提取时,hOCR格式有助于保持表结构和单元格关系。
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详细配置指南提供了影响hOCR输出质量和结构的高级设置。
RenderHocr
常见问题
在OCR的上下文中,什么是hOCR,为什么应该使用它?
hOCR是一种文件格式,用于以结构化的方式表示OCR结果,结合了HTML与识别的文本、布局信息和字符坐标。它对于需要精确文本定位数据的应用很有价值,比如文档索引和保持布局完整性。
如何使用IronOCR在C#中将OCR结果保存为hOCR文件?
要在C#中将OCR结果保存为hOCR文件,您需要在IronOCR中将RenderHocr属性设置为true,然后使用SaveAsHocrFile方法将结果输出为HTML文件。此过程保留了输出中的文本布局和坐标。
IronOCR提供了哪些方法用于导出OCR结果到hOCR HTML?
IronOCR提供了SaveAsHocrFile方法用于将结果导出为HTML文件,以及SaveAsHocrString方法用于获取HTML字符串,二者都支持保留文本布局和字符坐标。
为什么`RenderHocr`配置在IronOCR中很重要?
RenderHocr配置很重要,因为它使IronOCR能够将OCR输出格式化为hOCR,其中包含布局和空间信息。没有它,输出将无法保持高级文档处理所需的结构化格式。
IronOCR能否处理多种图像格式用于hOCR导出?
是的,IronOCR支持从包括TIFF、PNG、JPEG、BMP和GIF等各种图像格式以及PDF文档导出hOCR,同时保留文本和布局信息。
导出OCR结果为HTML字符串有什么优势?
导出OCR结果为HTML字符串允许在内存中处理、与API集成,并在数据库中存储而无需文件依赖。这种方法对于实时应用、搜索系统和基于云的服务非常有利。
hOCR格式如何支持高级文档处理任务?
hOCR的结构化格式与边界框数据允许精确的文本位置提取,使互动文本查看器、保留布局的修订和辅助工具等功能成为可能。它支持需要空间文本关系的高级任务。
在IronOCR中,哪些预处理步骤能提高hOCR输出质量?
在OCR处理之前,应用去噪、纠偏和放大等图像优化过滤器可以显著提升hOCR输出质量,特别适用于低质量扫描或复杂文档格式。
在OCR中,在哪些场景下使用HTML字符串输出比文件输出更有利?
HTML字符串输出对于需要在内存中即时处理的场景非常理想,如网络API集成、数据库存储、实时分析和缺乏文件系统访问的无服务器应用。
IronOCR在导出到hOCR时如何处理多页文档?
IronOCR将来自多页文档的OCR结果整合为单个HTML字符串或文件,并配有适当的页面划分,保持文档结构和内容的跨页连续性。
Curtis Chau 拥有卡尔顿大学的计算机科学学士学位,专注于前端开发,精通 Node.js、TypeScript、JavaScript 和 React。他热衷于打造直观且美观的用户界面,喜欢使用现代框架并创建结构良好、视觉吸引力强的手册。