C# tesseract 只扫描第一个 .tiff 页面

Posted 2023-04-17

【中文标题】C# tesseract 只扫描第一个 .tiff 页面

【英文标题】：C# tesseract only scanns first .tiff Page

【发布时间】：2022-01-17 00:49:59

【问题描述】：

我目前正在尝试对一些 .tiff 文件进行 OCR。显然，“Tesseract”只扫描每个文件的第一页。我一直在谷歌上寻找提示，但这不是很有帮助。 此代码应该从每个 .tiff 文件中获取完整文本：

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:\Users\f.rigo\source\repos\FinalScanner\FinalScanner\bin\Debug\net5.0-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;
    

我尝试使用 for-each 循环获取完整文件，但不幸的是，“img”不包含任何可枚举的内容。顺便说一句，我正在使用 Tesseract 库。查尔斯·韦尔德（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？

【参考方案1】：

下面的代码展示了如何使用 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，假设tessdata 文件夹（以及相关文件/子文件夹）与可执行文件位于同一目录中。

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)