C#tesseract仅扫描第一个.tiff页 [英] C# tesseract only scanns first .tiff Page

问题描述

我当前正在尝试OCR一些.tiff文件。显然，Tesseract只扫描每个文件的第一页。我一直在搜索关于谷歌的线索，但这并不是很有帮助。 此代码应从每个.tiff文件中获取全文：

public async Task<List<string>> ScannFile(string file)
{
    if (Path.GetFileName(file).EndsWith(".pdf"))
    {
        MessageBox.Show("Sie können nur .tiff Dokumente einscannen!");
        return null;
    }
    else
    {
        List<string> PageContent = new();
        await Task.Run(new Action(() =>
        {
            using (var engine = new TesseractEngine(@"C:Usersf.rigosource
eposFinalScannerFinalScannerinDebug
et5.0-windows/tessdata", "deu", EngineMode.TesseractOnly))
            {
                using (var img = Pix.LoadFromFile(file))
                {
                    //img.Scale((float)scann_dpi / 2, (float)scann_dpi / 2);
                    using (var page = engine.Process(img))
                    {
                        var text = page.GetText();
                        PageContent = cleanOCROutput(text);
                    }
                }
            }
        }));
        return PageContent;
    }
}

我试图通过使用for-each循环来获取完整的文件，但不幸的是，"；img"；不包含任何可枚举的内容。顺便说一下，我正在使用Tesseract库。作者：Charles Weld。

对于如何扫描.tiff文件的第2页及以后的页面，您有什么建议吗？

推荐答案

下面的代码显示如何使用NuGet包Tesseract从多页.tiff文件中提取文本。

以下内容已使用Tesseract(v4.1.1)进行了测试，并改编自OP和here。

添加以下Using语句：

using Tesseract;
using System.IO;
using System.Drawing;
using System.Drawing.Imaging;
using System.Diagnostics;

注意：在下面的代码中，假定tessdata文件夹(以及关联的文件/子文件夹)与可执行文件存在于同一目录中。

public async Task<List<string>> ScannFile(string filename)
{
    if (Path.GetFileName(filename).EndsWith(".pdf"))
    {
        MessageBox.Show("Sie können nur .tiff Dokumente einscannen!");
        return null;
    }
    else
    {
        List<string> PageContent = new List<string>();

        await Task.Run(new Action(() =>
        {
            using (Image tiffImg = Image.FromFile(filename))
            {
                //create new instance
                using (var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default))
                {
                    //get total pages
                    int pageCount = tiffImg.GetFrameCount(System.Drawing.Imaging.FrameDimension.Page);

                    for (int i = 0; i < pageCount; i++)
                    {
                        Debug.WriteLine(String.Format("---Page {0}---", i + 1));

                        //select active frame
                        tiffImg.SelectActiveFrame(System.Drawing.Imaging.FrameDimension.Page, i);

                        byte[] imageBytes = null;
                        using (MemoryStream ms = new MemoryStream())
                        {
                            //save to MemoryStream
                            tiffImg.Save(ms, System.Drawing.Imaging.ImageFormat.Tiff);

                            //copy to byte[]
                            imageBytes = ms.ToArray();
                        }

                        //load image 
                        using (var img = Pix.LoadTiffFromMemory(imageBytes))
                        {
                            using (var page = engine.Process(img))
                            {
                                //get text
                                string imageText = page.GetText();
                                Debug.WriteLine("imageText: " + imageText);

                                //add
                                PageContent.Add(imageText);
                            }
                        }
                    }
                }
            }
        }));

        return PageContent;
    }
}

资源：

• Displaying multi-page tiff files using the ImageBox control and C#
• Fast Loading/Reading TIFF Files in C#
• OCR using Tesseract in C#
• Tesseract OCR simple example
• Tesseract - tessdata
• Tesseract - tessdata (language data files)

这篇关于C#tesseract仅扫描第一个.tiff页的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！