背景
在業務系統開發的過程中，很多情況下會去識別圖片中的相關信息，並且把信息錄入到系統中。現在希望通過自動化的方式錄入，就有了以下的工作。在對比了幾個OCR軟件在中文識別方面的准確率后，決定使用微軟的OneNote開發相應的功能。
准備工作
- 安裝OneNote 2010；（注：在 Microsoft Office 2003 中的工具組件中有一個“ Microsoft Office Document Imaging”的組件包，之后的Office版本將這個功能集成到OneNote中了）
- 查詢網上相關OneNote的資料，真是少得可憐，即使找到現有的代碼也是各種坑。
- 在OneNote中的圖片識別功能如下圖，把圖片放到一個tab中，右鍵圖片就會出現紅框所標注的功能，這個是我需要在程序中來調用的：
代碼實現的邏輯
- 獲取圖片的Base64編碼；
- 開啟OneNote程序，在一個空的newfile.one中，生成一個新的page；
- 此時，新的page頁中，會有一個固定格式的xml，把圖片的Base64編碼，更新到對應的節點上；
- 更新節點后，會自動調用OCR的功能，把識別出來的文字，放入到固定節點上；
- 從識別出來的文字節點上，取出相應的文字就可以了；
- 徹底銷毀當前的頁面（如果不是徹底的話，這個newfile.one會越來越大）；
1 public class OrcImage 2 { 3 private static readonly string tmpPath = AppDomain.CurrentDomain.BaseDirectory + "tmpPath/"; 4 private static readonly int waitTime = Convert.ToInt32(ConfigurationManager.AppSettings["WaitTime"]); 5 6 private Tuple<string, int, int> GetBase64(string strImgPath) 7 { 8 return GetBase64(new FileInfo(strImgPath)); 9 } 10 11 /// <summary> 12 /// 獲取圖片的Base64編碼 13 /// </summary> 14 /// <param name="file"></param> 15 /// <returns></returns> 16 private Tuple<string, int, int> GetBase64(FileInfo file) 17 { 18 using (MemoryStream ms = new MemoryStream()) 19 { 20 Bitmap bp = new Bitmap(file.FullName); 21 switch (file.Extension.ToLower()) 22 { 23 case ".jpg": 24 bp.Save(ms, ImageFormat.Jpeg); 25 break; 26 27 case ".jpeg": 28 bp.Save(ms, ImageFormat.Jpeg); 29 break; 30 31 case ".gif": 32 bp.Save(ms, ImageFormat.Gif); 33 break; 34 35 case ".bmp": 36 bp.Save(ms, ImageFormat.Bmp); 37 break; 38 39 case ".tiff": 40 bp.Save(ms, ImageFormat.Tiff); 41 break; 42 43 case ".png": 44 bp.Save(ms, ImageFormat.Png); 45 break; 46 47 case ".emf": 48 bp.Save(ms, ImageFormat.Emf); 49 break; 50 51 default: 52 return new Tuple<string, int, int>("不支持的圖片格式。", 0, 0); 53 } 54 byte[] buffer = ms.GetBuffer(); 55 return new Tuple<string, int, int>(Convert.ToBase64String(buffer), bp.Width, bp.Height); 56 } 57 } 58 59 public string Orc_Img(FileInfo fi) 60 { 61 // 向Onenote2010中插入圖片 62 var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API 63 /***************************************************************************************/ 64 string sectionID; 65 onenoteApp.OpenHierarchy(tmpPath + "newfile.one", null, out sectionID, CreateFileType.cftSection); 66 string pageID = "{A975EE72-19C3-4C80-9C0E-EDA576DAB5C6}{1}{B0}"; // 格式 {guid}{tab}{??} 67 onenoteApp.CreateNewPage(sectionID, out pageID, NewPageStyle.npsBlankPageNoTitle); 68 /********************************************************************************/ 69 string notebookXml; 70 onenoteApp.GetHierarchy(null, HierarchyScope.hsPages, out notebookXml); 71 var doc = XDocument.Parse(notebookXml); 72 var ns = doc.Root.Name.Namespace; 73 var pageNode = doc.Descendants(ns + "Page").FirstOrDefault(); 74 var existingPageId = pageNode.Attribute("ID").Value; 75 if (pageNode != null) 76 { 77 Tuple<string, int, int> imgInfo = this.GetBase64(fi); 78 var page = new XDocument(new XElement(ns + "Page", 79 new XElement(ns + "Outline", 80 new XElement(ns + "OEChildren", 81 new XElement(ns + "OE", 82 new XElement(ns + "Image", 83 new XAttribute("format", fi.Extension.Remove(0, 1)), new XAttribute("originalPageNumber", "0"), 84 new XElement(ns + "Position", 85 new XAttribute("x", "0"), new XAttribute("y", "0"), new XAttribute("z", "0")), 86 new XElement(ns + "Size", 87 new XAttribute("width", imgInfo.Item2), new XAttribute("height", imgInfo.Item3)), 88 new XElement(ns + "Data", imgInfo.Item1))))))); 89 page.Root.SetAttributeValue("ID", existingPageId); 90 91 onenoteApp.UpdatePageContent(page.ToString(), DateTime.MinValue); 92 93 // 線程休眠時間，單位毫秒，若圖片很大，則延長休眠時間，保證Onenote OCR完畢 94 int fileSize = Convert.ToInt32(fi.Length / 1024 / 1024); // 文件大小 單位M 95 System.Threading.Thread.Sleep(waitTime * (fileSize > 1 ? fileSize : 1)); // 小於1M的都默認1M 96 97 string pageXml; 98 onenoteApp.GetPageContent(existingPageId, out pageXml, PageInfo.piBinaryData); 99 100 /*********************************************************************************/ 101 102 XmlDocument xmlDoc = new XmlDocument(); 103 xmlDoc.LoadXml(pageXml); 104 XmlNamespaceManager nsmgr = new XmlNamespaceManager(xmlDoc.NameTable); 105 nsmgr.AddNamespace("one", ns.ToString()); 106 107 XmlNode xmlNode = xmlDoc.SelectSingleNode("//one:Image//one:OCRText", nsmgr); 108 string strRet = xmlNode.InnerText; 109 110 /**********************************************************************/ 111 112 onenoteApp.DeleteHierarchy(sectionID, DateTime.MinValue, true); // 摧毀原始頁面 113 114 return strRet; 115 } 116 117 return "沒有識別"; 118 } 119 }
XML的格式
1 /*Onenote 2010 中圖片的XML格式 2 <one:Image format="" originalPageNumber="0" lastModifiedTime="" objectID=""> 3 <one:Position x="" y="" z=""/> 4 <one:Size width="" height=""/> 5 <one:Data>Base64</one:Data> 6 7 //以下標簽由Onenote 2010自動生成，不要在程序中處理，目標是獲取OCRText中的內容。 8 <one:OCRData lang="en-US"> 9 <one:OCRText> 10 <![CDATA[ OCR后的文字 ]]> 11 </one:OCRText> 12 <one:OCRToken startPos="0" region="0" line="0" x="4.251968383789062" y="3.685039281845092" width="31.18110275268555" height="7.370078563690185"/> 13 <one:OCRToken startPos="7" region="0" line="0" x="39.40157318115234" y="3.685039281845092" width="13.32283401489258" height="8.78740119934082"/> 14 <one:OCRToken startPos="12" region="0" line="1" x="4.251968383789062" y="17.85826683044434" width="23.52755928039551" height="6.803150177001953"/> 15 <one:OCRToken startPos="18" region="0" line="1" x="32.031494140625" y="17.85826683044434" width="41.10236358642578" height="6.803150177001953"/> 16 <one:OCRToken startPos="28" region="0" line="1" x="77.66928863525391" y="17.85826683044434" width="31.46456718444824" height="6.803150177001953"/> 17 ................ 18 </one:Image> 19 */ 20 21 /*ObjectID格式 22 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. 23 <xsd:simpleType name="ObjectID" "> 24 <xsd:restriction base="xsd:string"> 25 <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]+\}" /> 26 </xsd:restriction> 27 </xsd:simpleType> 28 */
目前是桌面應用程序是實現了相關功能。預期期望是：任何一個系統通過webservice接口形式就能使用OCR功能。但是改成一個web程序遇到了問題，在網上找了僅有的一點點資料，也沒有解決。我了解到，現在使用OneNote的OCR功能的程序也都是用WinForm程序，在程序運行的過程中，會在后台啟動OneNote程序。所以我猜測可能是由於這個原因，導致它只能做成桌面程序。
檢索 COM 類工廠中 CLSID 為 {D7FAC39E-7FF1-49AA-98CF-A1DDD316337E} 的組件失敗，原因是出現以下錯誤: 80070005 拒絕訪問。 (異常來自 HRESULT:0x80070005 (E_ACCESSDENIED))。
web中報這個錯誤，是權限的問題。依照配置Excel，Word這類COM來找，可是發現DCOM中，一直都找不到這個ID的組件。知道的朋友麻煩告知一下，謝謝。
程序效果圖如下：識別效果還不錯，剩下的就是根據所需要的信息，進行正則表達式的匹配就可以了。
