Onenote实现OCR识别图片
OCR识别推荐两个软件:
1. Tesseract:一个开源的,由谷歌维护的OCR软件。
2. Onenote:微软Office附带或者可以自己独立安装。
3. ONOM:别人封装的onenote api接口
这次讲Onenote实现的OCR识别。github地址:https://github.com/everywan/Extraction.OCR
注:2010版及其以后版本OCR实现方式类似:office将其转换为特定xm格式,然后提取想要的节点就ok了;onenote2007识别比较简单:通过MODI API接口直接之别。
我这里是实现了 office2007和office2010的ocr识别函数。
源程序下载:坚果云连接(.net4.5,vs2017RC。本机环境:windows10)
1 public class ExtractionOCR
2 {
3 #region
4 private static readonly ExtractionOCR instance = new ExtractionOCR();
5 public static ExtractionOCR Instance { get { return instance; } }
6 public static string section_path { get; set; }
7 public static int waitTime = 3 * 1000;
8 #endregion
9 /// <summary>
10 /// office2007 MODI组件OCR识别
11 /// </summary>
12 /// <param name="imgPath"></param>
13 /// <returns></returns>
14 public string Ocr_2007(string imgPath)
15 {
16 try
17 {
18 var imgType = imgPath.Substring(imgPath.Length - 3);
19 var data = File.ReadAllBytes(imgPath);
20 string imgInfo = "";
21 int i = 0;
22 var localimgFile = AppDomain.CurrentDomain.BaseDirectory + @"\" + Guid.NewGuid().ToString() + "." + imgType;
23 while (!imgInfo.Equals("转换成功") && i < 3)
24 {
25 ++i;
26 imgInfo = this.GetBase64(data, imgType, localimgFile);
27 }
28 MODI.Document doc = new MODI.Document();
29 doc.Create(localimgFile);
30 MODI.Image image;
31 MODI.Layout layout;
32 doc.OCR(MODI.MiLANGUAGES.miLANG_CHINESE_SIMPLIFIED, true, true);
33 StringBuilder sb = new StringBuilder();
34 image = (MODI.Image)doc.Images[0];
35 layout = image.Layout;
36 sb.Append(layout.Text);
37 doc = null;
38 var localFilePath = AppDomain.CurrentDomain.BaseDirectory + @"\" + Guid.NewGuid().ToString() + ".txt";
39 File.WriteAllText(localFilePath, sb.ToString());
40 Console.WriteLine(sb.ToString());
41 return localFilePath;
42 }
43 catch (Exception e)
44 {
45 File.AppendAllText(AppDomain.CurrentDomain.BaseDirectory + @"\log.txt", e.ToString());
46 return "";
47 }
48 finally
49 {
50 GC.Collect();
51 }
52 }
53 /// <summary>
54 /// onenote 2010,注意需要先在onenote中创建笔记本,并且将至转换为onenote2007格式
55 /// 推荐使用onenote2016(个人版即可),API与2010类似,(去掉XMLSchema.xs2007参数即可)其他可参考API参数命名。
56 /// 注意1:一定要将dll属性中的“嵌入互操作类型”属性关闭
57 /// </summary>
58 /// <param name="imgPath"></param>
59 /// <returns></returns>
60 public string Ocr_2010(string imgPath)
61 {
62 try
63 {
64 #region 确定section_path存在
65 section_path = @"C:\Users\zhensheng\Desktop\打杂\ocr\ocr.one";
66 if (string.IsNullOrEmpty(section_path))
67 {
68 Console.WriteLine("请先建立笔记本");
69 File.AppendAllText(AppDomain.CurrentDomain.BaseDirectory + @"\log.txt", "需要先在onenote中创建笔记本,并且将至转换为onenote2007格式,且将.one文件得路径赋值给section_path");
70 return "";
71 }
72 #endregion
73 #region 准备数据
74 //后缀
75 var imgType = Path.GetExtension(imgPath);
76 imgPath = imgPath.Replace(".", "");
77 var data = File.ReadAllBytes(imgPath);
78 //根据大小确定重试次数
79 int fileSize = Convert.ToInt32(data.Length / 1024 / 1024); // 文件大小 单位M
80 string guid = Guid.NewGuid().ToString();
81 string pageID = "{" + guid + "}{1}{B0}"; // 格式 {guid}{tab}{??}
82 string pageXml;
83 XNamespace ns;
84 var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API
85 if (onenoteApp == null)
86 {
87 File.AppendAllText(AppDomain.CurrentDomain.BaseDirectory + @"\log.txt", "Microsoft.Office.Interop.OneNote.Application()创建失败");
88 return "";
89 }
90 //重试使用
91 XmlNode xmlNode;
92 int retry = 0;
93 #endregion
94 do
95 {
96 #region 创建页面并返回pageID
97 string sectionID;
98 onenoteApp.OpenHierarchy(section_path, null, out sectionID, CreateFileType.cftSection);
99 onenoteApp.CreateNewPage(sectionID, out pageID);
100 #endregion
101 #region 获取onenote页面xml结构格式
102 string notebookXml;
103 onenoteApp.GetHierarchy(null, HierarchyScope.hsPages, out notebookXml, XMLSchema.xs2007);
104 var doc = XDocument.Parse(notebookXml);
105 ns = doc.Root.Name.Namespace;
106 #endregion
107 #region 将图片插入页面
108 Tuple<string, int, int> imgInfo = this.GetBase64(data, imgType);
109 var page = new XDocument(new XElement(ns + "Page",
110 new XElement(ns + "Outline",
111 new XElement(ns + "OEChildren",
112 new XElement(ns + "OE",
113 new XElement(ns + "Image",
114 new XAttribute("format", imgType), new XAttribute("originalPageNumber", "0"),
115 new XElement(ns + "Position",
116 new XAttribute("x", "0"), new XAttribute("y", "0"), new XAttribute("z", "0")),
117 new XElement(ns + "Size",
118 new XAttribute("width", imgInfo.Item2), new XAttribute("height", imgInfo.Item3)),
119 new XElement(ns + "Data", imgInfo.Item1)))))));
120 page.Root.SetAttributeValue("ID", pageID);
121 onenoteApp.UpdatePageContent(page.ToString(), DateTime.MinValue, XMLSchema.xs2007);
122 #endregion
123 #region 通过轮询访问获取OCR识别的结果,轮询超时次数为6次
124 int count = 0;
125 do
126 {
127 System.Threading.Thread.Sleep(waitTime * (fileSize > 1 ? fileSize : 1)); // 小于1M的都默认1M
128 onenoteApp.GetPageContent(pageID, out pageXml, PageInfo.piBinaryData, XMLSchema.xs2007);
129 }
130 while (pageXml == "" && count++ < 6);
131 #endregion
132 #region 删除页面
133 onenoteApp.DeleteHierarchy(pageID, DateTime.MinValue);
134 //onenoteApp = null;
135 #endregion
136 #region 从xml中提取OCR识别后的文档信息,然后输出到string中
137 XmlDocument xmlDoc = new XmlDocument();
138 xmlDoc.LoadXml(pageXml);
139 XmlNamespaceManager nsmgr = new XmlNamespaceManager(xmlDoc.NameTable);
140 nsmgr.AddNamespace("one", ns.ToString());
141 xmlNode = xmlDoc.SelectSingleNode("//one:Image//one:OCRText", nsmgr);
142 #endregion
143 }
144 //如果OCR没有识别出信息,则重试三次(个人测试2010失败率为0.2~0.3)
145 while (xmlNode == null && retry++ < 3);
146 if (xmlNode == null)
147 {
148 File.AppendAllText(AppDomain.CurrentDomain.BaseDirectory + @"\log.txt", "OCR没有识别出值");
149 return "";
150 }
151 var localFilePath = AppDomain.CurrentDomain.BaseDirectory + @"\" + Guid.NewGuid().ToString() + ".txt";
152 File.WriteAllText(localFilePath, xmlNode.InnerText.ToString());
153 Console.WriteLine(xmlNode.InnerText.ToString());
154 return localFilePath;
155 }
156 catch (Exception e)
157 {
158 File.AppendAllText(AppDomain.CurrentDomain.BaseDirectory + @"\log.txt", e.ToString());
159 return "";
160 }
161 }
162 private string GetBase64(byte[] data, string imgType, string filePath)
163 {
164 using (MemoryStream ms = new MemoryStream())
165 {
166 MemoryStream ms1 = new MemoryStream(data);
167 Bitmap bp = (Bitmap)Image.FromStream(ms1);
168 switch (imgType.ToLower())
169 {
170 case "jpg":
171 bp.Save(ms, ImageFormat.Jpeg);
172 break;
173 case "jpeg":
174 bp.Save(ms, ImageFormat.Jpeg);
175 break;
176 case "gif":
177 bp.Save(ms, ImageFormat.Gif);
178 break;
179 case "bmp":
180 bp.Save(ms, ImageFormat.Bmp);
181 break;
182 case "tiff":
183 bp.Save(ms, ImageFormat.Tiff);
184 break;
185 case "png":
186 bp.Save(ms, ImageFormat.Png);
187 break;
188 case "emf":
189 bp.Save(ms, ImageFormat.Emf);
190 break;
191 default:
192 return "不支持的图片格式。";
193 }
194 byte[] buffer = ms.ToArray();
195 File.WriteAllBytes(filePath, buffer);
196 ms1.Close();
197 ms.Close();
198 return "转换成功";
199 //return new Tuple<string, int, int>(Convert.ToBase64String(buffer), bp.Width, bp.Height);
200 }
201 }
202 private Tuple<string, int, int> GetBase64(byte[] data, string imgType)
203 {
204 using (MemoryStream ms = new MemoryStream())
205 {
206 MemoryStream ms1 = new MemoryStream(data);
207 Bitmap bp = (Bitmap)Image.FromStream(ms1);
208 switch (imgType.ToLower())
209 {
210 case "jpg":
211 bp.Save(ms, ImageFormat.Jpeg);
212 break;
213 case "jpeg":
214 bp.Save(ms, ImageFormat.Jpeg);
215 break;
216 case "gif":
217 bp.Save(ms, ImageFormat.Gif);
218 break;
219 case "bmp":
220 bp.Save(ms, ImageFormat.Bmp);
221 break;
222 case "tiff":
223 bp.Save(ms, ImageFormat.Tiff);
224 break;
225 case "png":
226 bp.Save(ms, ImageFormat.Png);
227 break;
228 case "emf":
229 bp.Save(ms, ImageFormat.Emf);
230 break;
231 default:
232 return new Tuple<string, int, int>("不支持的图片格式。", 0, 0);
233 }
234 byte[] buffer = ms.ToArray();
235 ms1.Close();
236 ms.Close();
237 return new Tuple<string, int, int>(Convert.ToBase64String(buffer), bp.Width, bp.Height);
238 }
239 }
240 }
注意:
1. office2007需要安装office sp2补丁。
2. 谨记 关闭onenote.dll的 嵌入互操作类型 关闭
3. 如果是在服务器上使用office/onenote,需要开启 桌面体验 功能。
4. 如果是在服务器上使用onenote 2007,需要注意的是该组件是32位的,也就是说直接调用这个接口的必须是32位程序。
5. 如果是在服务器上使用onenote 2010,出现了(Retrieving the COM class factory for component with CLSID {D7FAC39E-7FF1-49AA-98CF-A1DDD316337E} failed due to the following error: 80080005 Server execution failed (Exception from HRESULT: 0x80080005 (CO_E_SERVER_EXEC_FAILURE)))这个异常,请在调用此dll的服务登陆身份修改为管理员账号,并且用此账号创建onenote笔记本,另外,本示例代码需要笔记本格式为onenote2007
a.
6. 如果有其他异常,参阅微软文档: 错误代码
参考:
3. Creating OneNote 2010 Extensions with the OneNote Object Model
4. 64位进程调用32位dll的解决方法 / 程序64位化带来的问题和思考
5. ONOM :封装的onenote api类
Onenote实现OCR识别图片的更多相关文章
- 【转】Python OCR识别图片验证码
转载自:博客 对于某些网站登录的时候,往往需要输入验证码才能实现登录.如果要爬虫这类网站,往往总会比这个验证码导致无法爬取数据.以下介绍一种比较折中的方法,也是比较可行的方法: 实现思想: 1.通过截 ...
- C++调用Asprise OCR识别图片
在一个识别软件中发现了Asprise OCR的"身影",上官网查了一下相关信息,发现功能挺强大的,识别印刷体应该不错,遗憾的是好像不能识别中文,不过不知道它对扭曲后的英文识别能力怎 ...
- 【基于WPF+OneNote+Oracle的中文图片识别系统阶段总结】之篇一:WPF常用知识以及本项目设计总结
篇一:WPF常用知识以及本项目设计总结:http://www.cnblogs.com/baiboy/p/wpf.html 篇二:基于OneNote难点突破和批量识别:http://www.cnblog ...
- 【基于WPF+OneNote+Oracle的中文图片识别系统阶段总结】之篇二:基于OneNote难点突破和批量识别
篇一:WPF常用知识以及本项目设计总结:http://www.cnblogs.com/baiboy/p/wpf.html 篇二:基于OneNote难点突破和批量识别:http://www.cnblog ...
- 【基于WPF+OneNote+Oracle的中文图片识别系统阶段总结】之篇四:关于OneNote入库处理以及审核
篇一:WPF常用知识以及本项目设计总结:http://www.cnblogs.com/baiboy/p/wpf.html 篇二:基于OneNote难点突破和批量识别:http://www.cnblog ...
- 你知道OneNote的OCR功能吗?office lens为其增大威力,中文也识别
原文:[原创]你知道OneNote的OCR功能吗?office lens为其增大威力,中文也识别 OneNote提供了强大的从图片中取出文字的功能,大家只要装上了桌面版OneNote(本人用的2013 ...
- 以API方式调用C# dll,使用OneNote2013 sp1实现OCR识别本地图片
http://www.cnblogs.com/Charltsing/p/OneNoteOCRAPI.html OneNote2013 OCR API调用使用说明2019.4.17 使用说明:1.安装干 ...
- 【基于WPF+OneNote+Oracle的中文图片识别系统阶段总结】之篇三:批量处理后的txt文件入库处理
篇一:WPF常用知识以及本项目设计总结:http://www.cnblogs.com/baiboy/p/wpf.html 篇二:基于OneNote难点突破和批量识别:http://www.cnblog ...
- 图片文字OCR识别-tesseract-ocr
帮助文件:https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc 下载地址:https://github. ...
随机推荐
- DC-7靶机
仅供个人娱乐 靶机信息 下载地址:http://www.five86.com/downloads/DC-7.zip 一.主机扫描 二.信息收集 或者 python3 cmseek.py --url h ...
- P2470 压缩 TJ
前言 洛谷题解 题目传送门 正解:区间/线性 dp(本篇题解介绍线性做法) 人生第一道紫题! 也是今天考试看自闭了就没做的 T4,结果没想到是紫,虽然是一道水紫呢-- 考试的 T5 是跳房子,蓝题 q ...
- JIPB | 两篇连发:华中农大黄俊斌团队报道二羟基异丁酰化调控稻曲病菌致病新机制
水稻是我国重要的粮食作物,稻曲病是水稻三大病害之一,不仅造成稻米产量损失,更重要的是稻曲球中的稻曲菌素的毒性和致畸作用,给人畜健康带来严重威胁.病原菌对植物的侵袭是由病原菌的毒力和植物免疫系统相互作用 ...
- 跟我一起写 Makefile(九)
使用函数 ---- 在Makefile中可以使用函数来处理变量,从而让我们的命令或是规则更为的灵活和具有智能.make所支持的函数也不算很多,不过已经足够我们的操作了.函数调用后,函数的返回值可以当做 ...
- 修改Linux系统的默认语言编码集
RedHat 今天晚上发现服务器上vi的界面提示变成了乱码,只能将XShell的编码改为GBK才能正常显示,导致consolas字体无法使用,GBK编码下的字体丑陋无比,无法忍受,一轮google之后 ...
- Java-Mybatis动态SQL整理
XML映射器 SQL映射文件的几个顶级元素: cache - 该命名空间的缓存配置 cache-ref - 引用其他命名空间的缓存配置 resultMap - 描述如何从数据库结果集中加载对象 sql ...
- PLSQL编程及存储过程的创建
一.PLSQL的初步介绍 PLSQL是使sql具有处理过程的能力,可以分为三个部分:声明部分.可执行部分.异常处理部分 1.如何使用PLSQL打印Hello World! 在sqlplus里中打印 ...
- MySQL记录之间是单向链表还是双向链表?
前言 本文的观点是基于MySQL使用Innodb存储引擎的情况下进行的! 很多渠道说:MySQL数据按照主键大小依次排列,记录之间是双向链表连起来.如果说我告诉你这种说法很大程度上是错的,你肯定说我在 ...
- 题解 Defence
传送门 发现最少次数只和最左,最右及中间最长的全0段有关 本来想启发式合并,结果发现直接线段树合并搭配一个类似山海经的方法就可以过了 yysy,线段树单次合并的具体复杂度并不是 \(O(logn)\) ...
- JavaScript(Node.js)+ Selenium 实现淘宝抢单
JavaScript(Node.js)+ Selenium 淘宝抢单 为了买买买我也是拼了,看了一点selenium的资料,随便写的. 程序写的比较烂,但是够我自己用了,望各路大牛指教. 使用说明: ...