背景
在业务系统开发的过程中，很多情况下会去识别图片中的相关信息，并且把信息录入到系统中。现在希望通过自动化的方式录入，就有了以下的工作。在对比了几个OCR软件在中文识别方面的准确率后，决定使用微软的OneNote开发相应的功能。
准备工作
- 安装OneNote 2010；（注：在 Microsoft Office 2003 中的工具组件中有一个“ Microsoft Office Document Imaging”的组件包，之后的Office版本将这个功能集成到OneNote中了）
- 查询网上相关OneNote的资料，真是少得可怜，即使找到现有的代码也是各种坑。
- 在OneNote中的图片识别功能如下图，把图片放到一个tab中，右键图片就会出现红框所标注的功能，这个是我需要在程序中来调用的：
代码实现的逻辑
- 获取图片的Base64编码；
- 开启OneNote程序，在一个空的newfile.one中，生成一个新的page；
- 此时，新的page页中，会有一个固定格式的xml，把图片的Base64编码，更新到对应的节点上；
- 更新节点后，会自动调用OCR的功能，把识别出来的文字，放入到固定节点上；
- 从识别出来的文字节点上，取出相应的文字就可以了；
- 彻底销毁当前的页面（如果不是彻底的话，这个newfile.one会越来越大）；
public class OrcImage
{
private static readonly string tmpPath = AppDomain.CurrentDomain.BaseDirectory + "tmpPath/";
private static readonly int waitTime = Convert.ToInt32(ConfigurationManager.AppSettings["WaitTime"]); private Tuple<string, int, int> GetBase64(string strImgPath)
{
return GetBase64(new FileInfo(strImgPath));
} /// <summary>
/// 获取图片的Base64编码
/// </summary>
/// <param name="file"></param>
/// <returns></returns>
private Tuple<string, int, int> GetBase64(FileInfo file)
{
using (MemoryStream ms = new MemoryStream())
{
Bitmap bp = new Bitmap(file.FullName);
switch (file.Extension.ToLower())
{
case ".jpg":
bp.Save(ms, ImageFormat.Jpeg);
break; case ".jpeg":
bp.Save(ms, ImageFormat.Jpeg);
break; case ".gif":
bp.Save(ms, ImageFormat.Gif);
break; case ".bmp":
bp.Save(ms, ImageFormat.Bmp);
break; case ".tiff":
bp.Save(ms, ImageFormat.Tiff);
break; case ".png":
bp.Save(ms, ImageFormat.Png);
break; case ".emf":
bp.Save(ms, ImageFormat.Emf);
break; default:
return new Tuple<string, int, int>("不支持的图片格式。", , );
}
byte[] buffer = ms.GetBuffer();
return new Tuple<string, int, int>(Convert.ToBase64String(buffer), bp.Width, bp.Height);
}
} public string Orc_Img(FileInfo fi)
{
// 向Onenote2010中插入图片
var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API
/***************************************************************************************/
string sectionID;
onenoteApp.OpenHierarchy(tmpPath + "newfile.one", null, out sectionID, CreateFileType.cftSection);
string pageID = "{A975EE72-19C3-4C80-9C0E-EDA576DAB5C6}{1}{B0}"; // 格式 {guid}{tab}{??}
onenoteApp.CreateNewPage(sectionID, out pageID, NewPageStyle.npsBlankPageNoTitle);
/********************************************************************************/
string notebookXml;
onenoteApp.GetHierarchy(null, HierarchyScope.hsPages, out notebookXml);
var doc = XDocument.Parse(notebookXml);
var ns = doc.Root.Name.Namespace;
var pageNode = doc.Descendants(ns + "Page").FirstOrDefault();
var existingPageId = pageNode.Attribute("ID").Value;
if (pageNode != null)
{
Tuple<string, int, int> imgInfo = this.GetBase64(fi);
var page = new XDocument(new XElement(ns + "Page",
new XElement(ns + "Outline",
new XElement(ns + "OEChildren",
new XElement(ns + "OE",
new XElement(ns + "Image",
new XAttribute("format", fi.Extension.Remove(, )), new XAttribute("originalPageNumber", ""),
new XElement(ns + "Position",
new XAttribute("x", ""), new XAttribute("y", ""), new XAttribute("z", "")),
new XElement(ns + "Size",
new XAttribute("width", imgInfo.Item2), new XAttribute("height", imgInfo.Item3)),
new XElement(ns + "Data", imgInfo.Item1)))))));
page.Root.SetAttributeValue("ID", existingPageId); onenoteApp.UpdatePageContent(page.ToString(), DateTime.MinValue); // 线程休眠时间，单位毫秒，若图片很大，则延长休眠时间，保证Onenote OCR完毕
int fileSize = Convert.ToInt32(fi.Length / / ); // 文件大小 单位M
System.Threading.Thread.Sleep(waitTime * (fileSize > ? fileSize : )); // 小于1M的都默认1M string pageXml;
onenoteApp.GetPageContent(existingPageId, out pageXml, PageInfo.piBinaryData); /*********************************************************************************/ XmlDocument xmlDoc = new XmlDocument();
xmlDoc.LoadXml(pageXml);
XmlNamespaceManager nsmgr = new XmlNamespaceManager(xmlDoc.NameTable);
nsmgr.AddNamespace("one", ns.ToString()); XmlNode xmlNode = xmlDoc.SelectSingleNode("//one:Image//one:OCRText", nsmgr);
string strRet = xmlNode.InnerText; /**********************************************************************/ onenoteApp.DeleteHierarchy(sectionID, DateTime.MinValue, true); // 摧毁原始页面 return strRet;
} return "没有识别";
}
}
XML的格式
/*Onenote 2010 中图片的XML格式
<one:Image format="" originalPageNumber="0" lastModifiedTime="" objectID="">
<one:Position x="" y="" z=""/>
<one:Size width="" height=""/>
<one:Data>Base64</one:Data> //以下标签由Onenote 2010自动生成，不要在程序中处理，目标是获取OCRText中的内容。
<one:OCRData lang="en-US">
<one:OCRText>
<![CDATA[ OCR后的文字 ]]>
</one:OCRText>
<one:OCRToken startPos="0" region="0" line="0" x="4.251968383789062" y="3.685039281845092" width="31.18110275268555" height="7.370078563690185"/>
<one:OCRToken startPos="7" region="0" line="0" x="39.40157318115234" y="3.685039281845092" width="13.32283401489258" height="8.78740119934082"/>
<one:OCRToken startPos="12" region="0" line="1" x="4.251968383789062" y="17.85826683044434" width="23.52755928039551" height="6.803150177001953"/>
<one:OCRToken startPos="18" region="0" line="1" x="32.031494140625" y="17.85826683044434" width="41.10236358642578" height="6.803150177001953"/>
<one:OCRToken startPos="28" region="0" line="1" x="77.66928863525391" y="17.85826683044434" width="31.46456718444824" height="6.803150177001953"/>
................
</one:Image>
*/ /*ObjectID格式
The representation of an object to be used for identification of objects on a page. Not unique through OneNote, but unique on the page and the hierarchy.
<xsd:simpleType name="ObjectID" ">
<xsd:restriction base="xsd:string">
<xsd:pattern value="\{[a-fA-F0-9]{8}-[a-fA-F0-9]{4}-[a-fA-F0-9]{4}-[a-fA-F0-9]{4}-[a-fA-F0-9]{12}\}\{[0-9]+\}\{[A-Z][0-9]+\}" />
</xsd:restriction>
</xsd:simpleType>
*/
目前是桌面应用程序是实现了相关功能。预期期望是：任何一个系统通过webservice接口形式就能使用OCR功能。但是改成一个web程序遇到了问题，在网上找了仅有的一点点资料，也没有解决。我了解到，现在使用OneNote的OCR功能的程序也都是用WinForm程序，在程序运行的过程中，会在后台启动OneNote程序。所以我猜测可能是由于这个原因，导致它只能做成桌面程序。
检索 COM 类工厂中 CLSID 为 {D7FAC39E-7FF1-49AA-98CF-A1DDD316337E} 的组件失败，原因是出现以下错误: 80070005 拒绝访问。 (异常来自 HRESULT:0x80070005 (E_ACCESSDENIED))。
web中报这个错误，是权限的问题。依照配置Excel，Word这类COM来找，可是发现DCOM中，一直都找不到这个ID的组件。知道的朋友麻烦告知一下，谢谢。
程序效果图如下：识别效果还不错，剩下的就是根据所需要的信息，进行正则表达式的匹配就可以了。