C# tesseract仅扫描第一个.tiff页面

Question

我目前正在尝试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Google的提示，但这并没有多大帮助。这段代码应该从每个.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:\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;
    }
}

我试图通过使用for-each循环来获得完整的文件，但不幸的是，"img“不包含任何可枚举的内容。顺便说一句，我正在使用Tesseract库。查尔斯·韦尔德。

你对我如何扫描第二页和更高版本的.tiff文件有什么建议吗？

Answer 1

下面的代码展示了如何使用NuGet包特塞尔从多页.tiff文件中提取文本。

以下内容已经使用Tesseract (v4.1.1)进行了测试，并从OP和这里中进行了调整。

使用语句添加以下内容

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

注意事项：在下面的代码中，假定tessdata文件夹(以及相关的文件/子文件夹)与可执行文件位于同一个目录中。

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

• 使用ImageBox控件和C#显示多页tiff文件
• 在C#中快速加载/读取TIFF文件
• 在C#中使用Tesseract的OCR
• Tesseract OCR简单示例
• Tesseract -
• Tesseract - tessdata (语言数据文件)