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

为什么设置 RenderHocr 至关重要？

将 RenderHocr 属性设置为 true 会指示IronOCR在 OCR 过程中生成必要的 hOCR 结构。 如果没有此配置，SaveAsHocrFile 和 SaveAsHocrString 方法将无法生成格式正确的 hOCR 输出并保留布局。 必须在调用 Read 方法之前设置此配置，因为它会影响Tesseract 引擎处理和构建输出数据的方式。

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 护照或 牌照等专业文档类型时，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。

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(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？

处理多页文档时，SaveAsHocrString 会将所有页面合并为一个具有正确页面划分的 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();

 // 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

这种方法可与 PDF 流无缝协作，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。

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：

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)

对于低质量扫描，额外的预处理步骤可以显著提高 hOCR 的准确性。 过滤器向导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：

<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>

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详细配置指南提供了影响hOCR输出质量和结构的高级设置。