【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.cnblogs.com/baiboy/p/wpf1.html
篇三：批量处理后的txt文件入库处理：http://www.cnblogs.com/baiboy/p/wpf2.html
篇四：关于OneNote入库处理以及审核：http://www.cnblogs.com/baiboy/p/wpf3.html
【小记】：大胆尝试才能突破，某个中医药大学有一批图片需要处理（ORC），然后进行数据挖掘。之前没有接触过ORC这个东西，但是还是应允了。在网上搜索一番，关于中文图片识别，最终敲定为基于微软的OneNote，其识别率相对较高。网上这个技术点的资料真心不多，后来于博客园找到一篇博文，但是那个程序还是bug百出，而且只是单处理。后来经过一番摸索逐个突破，批处理完成。然后进行界面设计，这些零碎工作完成后，便是入库处理。由于OneNote生成的xml文件封装好的，即不可视的。便将其代码处理生成txt文件，再进行Oracle入库处理。入库前需要文件内容审核，并且在WPF开发中数据绑定和分页中做了独特处理。现在经过半个月的工作，本项目做个阶段总结。一则知识总结便于二次开发，尽量保持程序流畅性，核心知识做以梳理；另外，相关WPF和OneNote常用技术共享，便于部分园友所需。本人技术有限，欢迎交流。项目还未结束，暂作阶段文章发布，随后相继发布。
篇二：基于OneNote难点突破和批量识别
【1】开篇概述：在对本章技术介绍前，还是梳理下思路。描述下本章功能和开发过程。做个系统大致了解之后，在粘贴出本节效果图配以完整代码，然后分拆之，个体技术剖析。这样既可以达到全局整体效果，也可以对局部技术或者知识点做以小结。功能看图描述：本程序开发基于C#+WPF，然后这些条件具备前需要安装office2010以上版本，包含OneNote即可
完整代码：
namespace OnenoteOCRDemo { /// <summary> /// Main.xaml 的交互逻辑 /// </summary> public partial class Main : Window { #region 全局变量 private string __OutputFileName = string.Empty; private WebClient client = new WebClient(); private delegate void UpdateProgressBarDelegate(System.Windows.DependencyProperty dp, Object value); #endregion #region 系统函数 public Main() { InitializeComponent(); } #endregion #region 用户函数 #region 验证文件夹是否存在，以及是否为空 ：2014-7-10 17:12:57 //验证文件夹是否存在，以及是否为空 //时间：2014-7-10 14:54:44 //作者：白宁超 private bool fn数据验证() { if ((bool)this.rbtn本地图片.IsChecked) { if (!Directory.Exists(this.txtfile.Text)) { this.labMsg.Content = "目录不存在，重新选择！"; this.txtfile.Focus(); return true; } System.IO.DirectoryInfo di = new System.IO.DirectoryInfo(@txtfile.Text); if (di.GetFiles().Length + di.GetDirectories().Length == 0) { this.labMsg.Content = "目录为空！"; this.txtfile.Focus(); return true; } } if (!Directory.Exists(this.txt输出目录.Text)) { this.labMsg.Content = "输出目录不存在，请重新选择。"; this.txt输出目录.Focus(); return true; } return false; } #endregion #region 遍历出文件中图片路径 //文件中选择所有文件处理 //时间：2014-7-10 17:17:29 //作者：白宁超 public List<string> GetImgPath(string Filepath) { DirectoryInfo d = new DirectoryInfo(Filepath); ArrayList Flst = GetAll(d); //存放图片完整路径 List<string> imgpath = new List<string>(); foreach (object o in Flst) { imgpath.Add(@txtfile.Text + "\\" + o.ToString()); } return imgpath;//返回图片路径集合 } #endregion #region 获取图片的过程 private void fnStartDownload(string v_strImgPath, string v_strOutputDir, out string v_strTmpPath) { int n = v_strImgPath.LastIndexOf('/'); string URLAddress = v_strImgPath.Substring(0, n); string fileName = v_strImgPath.Substring(n + 1, v_strImgPath.Length - n - 1); this.__OutputFileName = v_strOutputDir + "\\" + fileName.Substring(0, fileName.LastIndexOf(".")) + ".txt"; if (!Directory.Exists(System.Configuration.ConfigurationManager.AppSettings["tmpPath"])) { Directory.CreateDirectory(System.Configuration.ConfigurationManager.AppSettings["tmpPath"]); } string Dir = System.Configuration.ConfigurationManager.AppSettings["tmpPath"]; v_strTmpPath = Dir + "\\" + fileName; this.client.DownloadFile(v_strImgPath, v_strTmpPath); } #endregion #region//删除指定目录下的所有文件夹以及文件 private void DelFillOrDir(string strPath) { if (Directory.GetDirectories(strPath).Length > 0 || Directory.GetFiles(strPath).Length > 0) { // 获得文件夹数组 string[] strDirs = System.IO.Directory.GetDirectories(strPath); // 获得文件数组 string[] strFiles = System.IO.Directory.GetFiles(strPath); // 遍历所有子文件夹 foreach (string strFile in strFiles) { // 删除文件夹 System.IO.File.Delete(strFile); } // 遍历所有文件 foreach (string strdir in strDirs) { // 删除文件 System.IO.Directory.Delete(strdir, true); } } // 成功 } #endregion #region//删除文件 public static bool DeleteFile(string xmlPath) { FileInfo newFile = new FileInfo(xmlPath); if (newFile.Exists == true) { newFile.Delete(); return true; } else { return false; } } #endregion #region//删除xml数据 public void DeleteXML(string xpath) { var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API string notebookXml; onenoteApp.GetHierarchy(null, Microsoft.Office.Interop.OneNote.HierarchyScope.hsPages, out notebookXml); var docc = XDocument.Parse(notebookXml); var ns = docc.Root.Name.Namespace; XDocument doc = XDocument.Load(xpath); string author = "USER-"; XElement xe = (from db in doc.Element(ns + "Page").Elements(ns + "Outline") where db.Attribute("author").Value == author select db).Single() as XElement; try { xe.Remove(); doc.Save(xpath); } catch { } } #region OCR写入Onenote和生成文字整个过程 //string xpath = @"C:\Users\Administrator\Desktop\OCR_Onenote\OnenoteOCR2.1\tmp.xml"; private void fnOCR(string v_strImgPath) { ORC(v_strImgPath); } public void ORC(string v_strImgPath) { FileInfo file = new FileInfo(v_strImgPath); #region //获取图片的Base64编码 using (MemoryStream ms = new MemoryStream()) { Bitmap bp = new Bitmap(v_strImgPath); 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: this.labMsg.Content = "不支持的图片格式。"; return; } byte[] buffer = ms.GetBuffer(); string _Base64 = Convert.ToBase64String(buffer); #endregion //向Onenote2010中插入图片 var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API /***************************************************************************************/ string sectionID; onenoteApp.OpenHierarchy(@"C:\Users\Administrator\Documents\OneNote 笔记本\个人\newfile.one", null, out sectionID, Microsoft.Office.Interop.OneNote.CreateFileType.cftSection); string pageID = "{A975EE72-19C3-4C80-9C0E-EDA576DAB5C6}{1}{B0}"; onenoteApp.CreateNewPage(sectionID, out pageID, Microsoft.Office.Interop.OneNote.NewPageStyle.npsBlankPageNoTitle); /********************************************************************************/ string notebookXml; onenoteApp.GetHierarchy(null, Microsoft.Office.Interop.OneNote.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; #region if (pageNode != null) { //Image Type 只支持这些类型：auto|png|emf|jpg string ImgExtension = file.Extension.ToLower().Substring(1); switch (ImgExtension) { case "jpg": ImgExtension = "jpg"; break; case "png": ImgExtension = "png"; break; case "emf": ImgExtension = "emf"; break; default: ImgExtension = "auto"; break; } #endregion 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", ImgExtension), new XAttribute("originalPageNumber", "0"), new XElement(ns + "Position", new XAttribute("x", "0"), new XAttribute("y", "0"), new XAttribute("z", "0")), new XElement(ns + "Size", new XAttribute("width", bp.Width.ToString()), new XAttribute("height", bp.Height.ToString())), new XElement(ns + "Data", _Base64))))))); page.Root.SetAttributeValue("ID", existingPageId); //保存图片进入Onenote页面 //注意以下几点：（待解决） //1，onenote页面自动会生成一个页面，可能造成一直ocr错误。删除默认页面，新建空页 //2，图片存储在新建页面中，通过如下代码实现的，以追加存储方式进行。 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 System.Threading.Thread.Sleep(Int32.Parse(System.Configuration.ConfigurationManager.AppSettings["WaitTIme"])); string pageXml; onenoteApp.GetPageContent(existingPageId, out pageXml, Microsoft.Office.Interop.OneNote.PageInfo.piBinaryData); //获取OCR后的内容 FileStream tmpXml = new FileStream(System.Configuration.ConfigurationManager.AppSettings["tmpPath"] + @"\tmp.xml", FileMode.Create, FileAccess.ReadWrite); StreamWriter sw = new StreamWriter(tmpXml); sw.Write(pageXml); sw.Flush(); sw.Close(); tmpXml.Close(); //加载xml中的数据 FileStream tmpOnenote = new FileStream(System.Configuration.ConfigurationManager.AppSettings["tmpPath"] + @"\tmp.xml", FileMode.Open, FileAccess.ReadWrite); XmlReader reader = XmlReader.Create(tmpOnenote); XElement rdlc = XElement.Load(reader); // rdlc.Save(xpath); /*****************************************************************************************************/ XmlNameTable nameTable = reader.NameTable; XmlNamespaceManager mgr = new XmlNamespaceManager(nameTable); mgr.AddNamespace("one", ns.ToString()); StringReader sr = new StringReader(pageXml); XElement onenote = XElement.Load(sr); ////读取xml中数据，并保存到文本中。 //XDocument doc1 = XDocument.Load(xpath); var xml = from o in onenote.XPathSelectElements("//one:Image", mgr) select o.XPathSelectElement("//one:OCRText", mgr).Value; this.txtOCRed.Text = xml.First().ToString(); /**********************************************************************/ sr.Close(); reader.Close(); tmpOnenote.Close(); //DeleteXML(xpath); onenoteApp.DeleteHierarchy(existingPageId); //onenoteApp.DeletePageContent(existingPageId, "{242BE490-7BF9-43D5-B719-3999E7631259}{46}{B0}"); //onenoteApp.DeletePageContent(existingPageId, "{242BE490-7BF9-43D5-B719-3999E7631259}{50}{B0}"); } } } #endregion #endregion #endregion #region 系统事件 #region 搜索文件夹中的文件：2014-7-10 17:12:57 //搜索文件夹中的文件 //时间：2014-7-10 14:54:44 //作者：白宁超 ArrayList GetAll(DirectoryInfo dir) { try { ArrayList FileList = new ArrayList();//定义数组存放图片文件名 FileInfo[] allFile = dir.GetFiles(); foreach (FileInfo fi in allFile) { FileList.Add(fi.Name);//遍历图片，并添加到数组 } DirectoryInfo[] allDir = dir.GetDirectories(); foreach (DirectoryInfo d in allDir) { GetAll(d); } return FileList; } catch (Exception e) { labMsg.Content = e.Message + "文件夹选择方式错误，重新选择！！"; return null; } } #endregion #region 选择遍历文件夹图片 //文件中选择所有文件处理 //时间：2014-7-10 14:54:44 //作者：白宁超 private void btn浏览_Click(object sender, RoutedEventArgs e) { txtmulu.Text = null; FolderBrowserDialog dialog = new FolderBrowserDialog(); dialog.Description = "请选择待处理目录"; if (dialog.ShowDialog() == System.Windows.Forms.DialogResult.OK) { string foldPath = dialog.SelectedPath; txtfile.Text = foldPath; DirectoryInfo d = new DirectoryInfo(@txtfile.Text); ArrayList Flst = GetAll(d); foreach (object o in Flst) { txtmulu.Text += "正在ORC图片: 【" + o.ToString() + "】\r\n"; } } else { labMsg.Content = "打开失败！！"; } #region 上传单个图片 2014-7-10 15:34:17 /*OpenFileDialog ofd = new OpenFileDialog(); ofd.Title = "请选择一个本地图片"; ofd.Multiselect = false; ofd.Filter = "支持的图片格式(*.jpg,*.jpeg,*.gif,*.bmp,*.png,*.tiff,*.emf)|*.jpg;*.jpeg;*.gif;*.bmp;*.png;*.tiff;*.emf"; if (ofd.ShowDialog() == System.Windows.Forms.DialogResult.OK) { this.txt本地图片.Text = ofd.FileName; this.img图片.Source = new BitmapImage(new Uri(ofd.FileName, UriKind.RelativeOrAbsolute)); this.labMsg.Content = "本地图片已成功加载。"; }*/ #endregion } #endregion #region 选择本地图片OCR转化 private void rbtn本地图片_Checked(object sender, RoutedEventArgs e) { if (this.IsInitialized) { if ((bool)this.rbtn本地图片.IsChecked) { this.txtfile.Text = string.Empty; this.txtfile.IsEnabled = true; this.btn浏览.IsEnabled = true; this.txtfile.Focus(); this.txtmulu.Text = null; } } } #endregion #region 选择需要输入处理的文件 private void btn浏览_Click_1(object sender, RoutedEventArgs e) { txtmulu.Text = null; FolderBrowserDialog dialog = new FolderBrowserDialog(); dialog.Description = "请选择待处理目录"; if (dialog.ShowDialog() == System.Windows.Forms.DialogResult.OK) { string foldPath = dialog.SelectedPath; txtfile.Text = foldPath; DirectoryInfo d = new DirectoryInfo(@txtfile.Text); ArrayList Flst = GetAll(d); foreach (object o in Flst) { txtmulu.Text += "正在ORC图片: 【" + o.ToString() + "】\r\n"; } } else { labMsg.Content = "打开失败！！"; } #region 上传单个图片 2014-7-10 15:34:17 /*OpenFileDialog ofd = new OpenFileDialog(); ofd.Title = "请选择一个本地图片"; ofd.Multiselect = false; ofd.Filter = "支持的图片格式(*.jpg,*.jpeg,*.gif,*.bmp,*.png,*.tiff,*.emf)|*.jpg;*.jpeg;*.gif;*.bmp;*.png;*.tiff;*.emf"; if (ofd.ShowDialog() == System.Windows.Forms.DialogResult.OK) { this.txt本地图片.Text = ofd.FileName; this.img图片.Source = new BitmapImage(new Uri(ofd.FileName, UriKind.RelativeOrAbsolute)); this.labMsg.Content = "本地图片已成功加载。"; }*/ #endregion } #endregion #region 选择输出文件夹 private void btn输出浏览_Click(object sender, RoutedEventArgs e) { FolderBrowserDialog fbd = new FolderBrowserDialog(); fbd.Description = "请选择一个输出目录"; if (fbd.ShowDialog() == System.Windows.Forms.DialogResult.OK) { this.txt输出目录.Text = fbd.SelectedPath; DelFillOrDir(this.txt输出目录.Text); } } #endregion #region 清空输出文件 private void btn清空_Click(object sender, RoutedEventArgs e) { OCRtxt.Text = ""; this.OCRtxt.Focus(); } #endregion #region ORC转化过程 private void btnOCR_Click(object sender, RoutedEventArgs e) { if (this.fn数据验证()) { OCRtxt.Text = ""; return; } try { DirectoryInfo dir = new DirectoryInfo(this.txt输出目录.Text); if ((bool)this.rbtn本地图片.IsChecked) { List<string> imgpath = GetImgPath(@txtfile.Text);//获取图片列表 //定义进度条默认值 pb_import.Minimum = 0; pb_import.Maximum = imgpath.Count(); double i = 0; txtOCRed.Text = ""; OCRtxt.Text += "******************************************************************************"; foreach (object img in imgpath) { this.fnOCR(img.ToString());//遍历处理图片orc FileInfo file = new FileInfo(img.ToString()); string name = file.Name.Substring(0, file.Name.LastIndexOf(".")); this.__OutputFileName = dir.FullName + @"\" + name + ".txt"; FileStream fs = new FileStream(this.__OutputFileName, FileMode.Create, FileAccess.ReadWrite); StreamWriter sw = new StreamWriter(fs); sw.Write(this.txtOCRed.Text);//将this.txtOCRed.Text内容写进txt文件中 sw.Flush(); sw.Close(); fs.Close(); OCRtxt.Text += "成功ORC出: 【" + name + ".txt】" + "\r\n"; //回调UI进度显示 i++; pb_import.Value = i; UpdateProgressBarDelegate updatePbDelegate = new UpdateProgressBarDelegate(pb_import.SetValue); Dispatcher.Invoke(updatePbDelegate, System.Windows.Threading.DispatcherPriority.Background, new object[] { System.Windows.Controls.ProgressBar.ValueProperty, Convert.ToDouble(i + 1) }); Thread.Sleep(1000); } } if (pb_import.Value == pb_import.Maximum) { System.Windows.Forms.MessageBox.Show("数据转换完成。"); } else { System.Windows.Forms.MessageBox.Show("数据转换失败。"); } } catch (Exception ex) { System.Windows.Forms.MessageBox.Show("数据转换失败:" + ex.Message + ex.StackTrace); this.labMsg.Content = "OCR失败。"; } finally { //System.Threading.Thread.CurrentThread.Abort(); Thread.Sleep(3000); } } #endregion #region//窗体关闭 private void Window_Closing(object sender, System.ComponentModel.CancelEventArgs e) { DirectoryInfo dir = new DirectoryInfo(System.Configuration.ConfigurationManager.AppSettings["tmpPath"]); foreach (FileInfo file in dir.GetFiles()) { file.Delete(); } } #endregion #endregion } }
功能以及操作描述：
- 运行本页面如上图，然后通过选择待处理目录（含中文文字图片），和输出目录，点击ORC即可。
- 在待处理目录下，点击浏览按钮，然后选择相应的文件夹，后台通过判断文件夹是否存在，如果存在进行遍历，读取出所有图片，然后在本页左端文本框对图片进行显示。
- 然后选择输出目录中的浏览按钮，选择处理后的结果存放文件夹，此项必填。否则不执行。在每次操作浏览按钮时，会对选择的文件夹进行清空处理，这样下次操作保持干净数据。
- 完成以上步骤，可以进行ORC操作，操作过程中通过遍历文件夹中图片文件，在一个方面中打开OneNote接口，对图片进行处理。图片处理生成的是一个xml文件，此文件不可视，一个缓存的xml文件，随着程序结束而终止，在处理过程中通过代码解析缓存xml，将文本数据提取到一个txt文件中。同时没执行一张图片，如图左边打印成功执行的文件，同时进度条滚动，结束后进行提示。
- 最后打开对应文件夹里面显示生产数据与对应图片保持一致。规范字体识别率还是可以的
所遇问题以及瓶颈突破：
- 在描述难点之前，我还是先提取出核心ORC代码，下面再做以概述。遍历处理图片
#region foreach (object img in imgpath) { this.fnOCR(img.ToString());//遍历处理图片orc FileInfo file = new FileInfo(img.ToString()); string name = file.Name.Substring(0, file.Name.LastIndexOf(".")); this.__OutputFileName = dir.FullName + @"\" + name + ".txt"; FileStream fs = new FileStream(this.__OutputFileName, FileMode.Create, FileAccess.ReadWrite); StreamWriter sw = new StreamWriter(fs); sw.Write(this.txtOCRed.Text);//将this.txtOCRed.Text内容写进txt文件中 sw.Flush(); sw.Close(); fs.Close(); OCRtxt.Text += "成功ORC出: 【" + name + ".txt】" + "\r\n"; //回调UI进度显示 i++; pb_import.Value = i; UpdateProgressBarDelegate updatePbDelegate = new UpdateProgressBarDelegate(pb_import.SetValue); Dispatcher.Invoke(updatePbDelegate, System.Windows.Threading.DispatcherPriority.Background, new object[] { System.Windows.Controls.ProgressBar.ValueProperty, Convert.ToDouble(i + 1) }); Thread.Sleep(1000); } #endregion
- fnOCR图片处理核心代码：下面截取核心代码，详细见付码
View Code
public void ORC(string v_strImgPath) { FileInfo file = new FileInfo(v_strImgPath); //向Onenote2010中插入图片 var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API /***************************************************************************************/ string sectionID; onenoteApp.OpenHierarchy(@"C:\Users\Administrator\Documents\OneNote 笔记本\个人\newfile.one", null, out sectionID, Microsoft.Office.Interop.OneNote.CreateFileType.cftSection); string pageID = "{A975EE72-19C3-4C80-9C0E-EDA576DAB5C6}{1}{B0}"; onenoteApp.CreateNewPage(sectionID, out pageID, Microsoft.Office.Interop.OneNote.NewPageStyle.npsBlankPageNoTitle); /********************************************************************************/ string notebookXml; onenoteApp.GetHierarchy(null, Microsoft.Office.Interop.OneNote.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; 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", ImgExtension), new XAttribute("originalPageNumber", "0"), new XElement(ns + "Position", new XAttribute("x", "0"), new XAttribute("y", "0"), new XAttribute("z", "0")), new XElement(ns + "Size", new XAttribute("width", bp.Width.ToString()), new XAttribute("height", bp.Height.ToString())), new XElement(ns + "Data", _Base64))))))); page.Root.SetAttributeValue("ID", existingPageId); //保存图片进入Onenote页面 //注意以下几点：（待解决） //1，onenote页面自动会生成一个页面，可能造成一直ocr错误。删除默认页面，新建空页 //2，图片存储在新建页面中，通过如下代码实现的，以追加存储方式进行。 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 System.Threading.Thread.Sleep(Int32.Parse(System.Configuration.ConfigurationManager.AppSettings["WaitTIme"])); string pageXml; onenoteApp.GetPageContent(existingPageId, out pageXml, Microsoft.Office.Interop.OneNote.PageInfo.piBinaryData); //获取OCR后的内容 FileStream tmpXml = new FileStream(System.Configuration.ConfigurationManager.AppSettings["tmpPath"] + @"\tmp.xml", FileMode.Create, FileAccess.ReadWrite); StreamWriter sw = new StreamWriter(tmpXml); sw.Write(pageXml); sw.Flush(); sw.Close(); tmpXml.Close(); //加载xml中的数据 FileStream tmpOnenote = new FileStream(System.Configuration.ConfigurationManager.AppSettings["tmpPath"] + @"\tmp.xml", FileMode.Open, FileAccess.ReadWrite); XmlReader reader = XmlReader.Create(tmpOnenote); XElement rdlc = XElement.Load(reader); /*****************************************************************************************************/ XmlNameTable nameTable = reader.NameTable; XmlNamespaceManager mgr = new XmlNamespaceManager(nameTable); mgr.AddNamespace("one", ns.ToString()); StringReader sr = new StringReader(pageXml); XElement onenote = XElement.Load(sr); ////读取xml中数据，并保存到文本中。 //XDocument doc1 = XDocument.Load(xpath); var xml = from o in onenote.XPathSelectElements("//one:Image", mgr) select o.XPathSelectElement("//one:OCRText", mgr).Value; this.txtOCRed.Text = xml.First().ToString(); /**********************************************************************/ sr.Close(); reader.Close(); tmpOnenote.Close(); onenoteApp.DeleteHierarchy(existingPageId); } } }
问题继续描述，未加入如上代码时，暂且不说批处理，即便是单处理。结果是无论加载多少张图片，可以生成对应txt文件，但是对应的所有txt文件里面文本内容始终一样。解决方案分析下：
- 是文本生成问题，于是想到每次图片生成清理出前一个xml，但是无论如何找不到xml存在，后来断点调试发现，执行onenoteApp.UpdatePageContent(page.ToString(), DateTime.MinValue);之后，打开Onenote页面会发现图片出来，说明onenote已经在处理，此刻xml已经生成。接下来 onenoteApp.GetPageContent(existingPageId, out pageXml, Microsoft.Office.Interop.OneNote.PageInfo.piBinaryData);方法把不可见的xml以字符串形式pageXml显示处理，后面就是对其处理了。证明从xml着手是不能解决问题的。
- 接下来就是想另一个方案：采用接口提供的DeletePageContent方法，但是面临问题在于其需要两个参数（页面序列id，和图片id），对于页面序列id通过断点可以找到，但是图片是随机的，id无法控制。因此此方案失败。
3. 在读取xml中发现this.txtOCRed.Text = xml.First().ToString();那么让去每次读取最后一条数据不就ok？对，，肯定这样，抱着坚定信心解决半日不得解。断点再经调试发现，读取的xml是不可控的，即是缓存中xml以输出参数，输出的字符串的处理。最终还不得解决。为此困惑数日。
4. 那么在生成的缓存xml重新放置到新建的xml中，然后每次读取一条结束，删除本次记录。问题肯定解决的，大喜，于是做出如下构造：
#region//删除xml数据 public void DeleteXML(string xpath) { var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API string notebookXml; onenoteApp.GetHierarchy(null, Microsoft.Office.Interop.OneNote.HierarchyScope.hsPages, out notebookXml); var docc = XDocument.Parse(notebookXml); var ns = docc.Root.Name.Namespace; XDocument doc = XDocument.Load(xpath); string author = "USER-"; XElement xe = (from db in doc.Element(ns + "Page").Elements(ns + "Outline") where db.Attribute("author").Value == author select db).Single() as XElement; try { xe.Remove(); doc.Save(xpath); } catch { } } #region OCR写入Onenote和生成文字整个过程 //string xpath = @"C:\Users\Administrator\Desktop\OCR_Onenote\OnenoteOCR2.1\tmp.xml"; private void fnOCR(string v_strImgPath) { ORC(v_strImgPath); } public void ORC(string v_strImgPath) { FileInfo file = new FileInfo(v_strImgPath); #region //获取图片的Base64编码 using (MemoryStream ms = new MemoryStream()) { Bitmap bp = new Bitmap(v_strImgPath); 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: this.labMsg.Content = "不支持的图片格式。"; return; } byte[] buffer = ms.GetBuffer(); string _Base64 = Convert.ToBase64String(buffer); #endregion //向Onenote2010中插入图片 var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API /***************************************************************************************/ string sectionID; onenoteApp.OpenHierarchy(@"C:\Users\Administrator\Documents\OneNote 笔记本\个人\newfile.one", null, out sectionID, Microsoft.Office.Interop.OneNote.CreateFileType.cftSection); string pageID = "{A975EE72-19C3-4C80-9C0E-EDA576DAB5C6}{1}{B0}"; onenoteApp.CreateNewPage(sectionID, out pageID, Microsoft.Office.Interop.OneNote.NewPageStyle.npsBlankPageNoTitle); /********************************************************************************/ string notebookXml; onenoteApp.GetHierarchy(null, Microsoft.Office.Interop.OneNote.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; #region if (pageNode != null) { //Image Type 只支持这些类型：auto|png|emf|jpg string ImgExtension = file.Extension.ToLower().Substring(1); switch (ImgExtension) { case "jpg": ImgExtension = "jpg"; break; case "png": ImgExtension = "png"; break; case "emf": ImgExtension = "emf"; break; default: ImgExtension = "auto"; break; } #endregion 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", ImgExtension), new XAttribute("originalPageNumber", "0"), new XElement(ns + "Position", new XAttribute("x", "0"), new XAttribute("y", "0"), new XAttribute("z", "0")), new XElement(ns + "Size", new XAttribute("width", bp.Width.ToString()), new XAttribute("height", bp.Height.ToString())), new XElement(ns + "Data", _Base64))))))); page.Root.SetAttributeValue("ID", existingPageId); //保存图片进入Onenote页面 //注意以下几点：（待解决） //1，onenote页面自动会生成一个页面，可能造成一直ocr错误。删除默认页面，新建空页 //2，图片存储在新建页面中，通过如下代码实现的，以追加存储方式进行。 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 System.Threading.Thread.Sleep(Int32.Parse(System.Configuration.ConfigurationManager.AppSettings["WaitTIme"])); string pageXml; onenoteApp.GetPageContent(existingPageId, out pageXml, Microsoft.Office.Interop.OneNote.PageInfo.piBinaryData); //获取OCR后的内容 FileStream tmpXml = new FileStream(System.Configuration.ConfigurationManager.AppSettings["tmpPath"] + @"\tmp.xml", FileMode.Create, FileAccess.ReadWrite); StreamWriter sw = new StreamWriter(tmpXml); sw.Write(pageXml); sw.Flush(); sw.Close(); tmpXml.Close(); //加载xml中的数据 FileStream tmpOnenote = new FileStream(System.Configuration.ConfigurationManager.AppSettings["tmpPath"] + @"\tmp.xml", FileMode.Open, FileAccess.ReadWrite); XmlReader reader = XmlReader.Create(tmpOnenote); XElement rdlc = XElement.Load(reader); // rdlc.Save(xpath); /*****************************************************************************************************/ XmlNameTable nameTable = reader.NameTable; XmlNamespaceManager mgr = new XmlNamespaceManager(nameTable); mgr.AddNamespace("one", ns.ToString()); StringReader sr = new StringReader(pageXml); XElement onenote = XElement.Load(sr); ////读取xml中数据，并保存到文本中。 //XDocument doc1 = XDocument.Load(xpath); var xml = from o in onenote.XPathSelectElements("//one:Image", mgr) select o.XPathSelectElement("//one:OCRText", mgr).Value; this.txtOCRed.Text = xml.First().ToString(); /**********************************************************************/ sr.Close(); reader.Close(); tmpOnenote.Close(); //DeleteXML(xpath); onenoteApp.DeleteHierarchy(existingPageId); //onenoteApp.DeletePageContent(existingPageId, "{242BE490-7BF9-43D5-B719-3999E7631259}{46}{B0}"); //onenoteApp.DeletePageContent(existingPageId, "{242BE490-7BF9-43D5-B719-3999E7631259}{50}{B0}"); } } } #endregion #endregion
结果还是无济于事，关键还是缓存的xml无法清理。
解决方案：搞定凌晨，无意间打开几篇英文文章（文章看不懂，只看代码），发现其原理在于图片处理过程中，催毁原始页面，新建页面即可。
var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API
/***************************************************************************************/
string sectionID;
onenoteApp.OpenHierarchy(@"C:\Users\Administrator\Documents\OneNote 笔记本\个人\newfile.one", null, out sectionID, Microsoft.Office.Interop.OneNote.CreateFileType.cftSection);
string pageID = "{A975EE72-19C3-4C80-9C0E-EDA576DAB5C6}{1}{B0}";
onenoteApp.CreateNewPage(sectionID, out pageID, Microsoft.Office.Interop.OneNote.NewPageStyle.npsBlankPageNoTitle);
/********************************************************************************/
调用API中创建页面方法CreateNewPage，pageID通过断点可以调试到，sectionID找到本地的地址即可。然后在执行一条数据结束时，调用onenoteApp.DeleteHierarchy(existingPageId)即可。
止于此核心问题解决，下面总结下所用的文件相关操作：
1 、验证文件夹是否存在，以及是否为空
#region 验证文件夹是否存在，以及是否为空 ：2014-7-10 17:12:57 //验证文件夹是否存在，以及是否为空 //时间：2014-7-10 14:54:44 //作者：白宁超 private bool fn数据验证() { if ((bool)this.rbtn本地图片.IsChecked) { if (!Directory.Exists(this.txtfile.Text)) { this.labMsg.Content = "目录不存在，重新选择！"; this.txtfile.Focus(); return true; } System.IO.DirectoryInfo di = new System.IO.DirectoryInfo(@txtfile.Text); if (di.GetFiles().Length + di.GetDirectories().Length == 0) { this.labMsg.Content = "目录为空！"; this.txtfile.Focus(); return true; } } if (!Directory.Exists(this.txt输出目录.Text)) { this.labMsg.Content = "输出目录不存在，请重新选择。"; this.txt输出目录.Focus(); return true; } return false; } #endregion
2、遍历出文件中图片路径
#region 遍历出文件中图片路径 //文件中选择所有文件处理 //时间：2014-7-10 17:17:29 //作者：白宁超 public List<string> GetImgPath(string Filepath) { DirectoryInfo d = new DirectoryInfo(Filepath); ArrayList Flst = GetAll(d); //存放图片完整路径 List<string> imgpath = new List<string>(); foreach (object o in Flst) { imgpath.Add(@txtfile.Text + "\\" + o.ToString()); } return imgpath;//返回图片路径集合 } #endregion
3、获取图片的过程
#region 获取图片的过程 private void fnStartDownload(string v_strImgPath, string v_strOutputDir, out string v_strTmpPath) { int n = v_strImgPath.LastIndexOf('/'); string URLAddress = v_strImgPath.Substring(0, n); string fileName = v_strImgPath.Substring(n + 1, v_strImgPath.Length - n - 1); this.__OutputFileName = v_strOutputDir + "\\" + fileName.Substring(0, fileName.LastIndexOf(".")) + ".txt"; if (!Directory.Exists(System.Configuration.ConfigurationManager.AppSettings["tmpPath"])) { Directory.CreateDirectory(System.Configuration.ConfigurationManager.AppSettings["tmpPath"]); } string Dir = System.Configuration.ConfigurationManager.AppSettings["tmpPath"]; v_strTmpPath = Dir + "\\" + fileName; this.client.DownloadFile(v_strImgPath, v_strTmpPath); } #endregion
4、删除指定目录下的所有文件夹以及文件
#region//删除指定目录下的所有文件夹以及文件 private void DelFillOrDir(string strPath) { if (Directory.GetDirectories(strPath).Length > 0 || Directory.GetFiles(strPath).Length > 0) { // 获得文件夹数组 string[] strDirs = System.IO.Directory.GetDirectories(strPath); // 获得文件数组 string[] strFiles = System.IO.Directory.GetFiles(strPath); // 遍历所有子文件夹 foreach (string strFile in strFiles) { // 删除文件夹 System.IO.File.Delete(strFile); } // 遍历所有文件 foreach (string strdir in strDirs) { // 删除文件 System.IO.Directory.Delete(strdir, true); } } // 成功 } #endregion
5、删除文件
#region//删除文件 public static bool DeleteFile(string xmlPath) { FileInfo newFile = new FileInfo(xmlPath); if (newFile.Exists == true) { newFile.Delete(); return true; } else { return false; } } #endregion
6、删除xml数据
#region//删除xml数据 public void DeleteXML(string xpath) { var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API string notebookXml; onenoteApp.GetHierarchy(null, Microsoft.Office.Interop.OneNote.HierarchyScope.hsPages, out notebookXml); var docc = XDocument.Parse(notebookXml); var ns = docc.Root.Name.Namespace; XDocument doc = XDocument.Load(xpath); string author = "USER-"; XElement xe = (from db in doc.Element(ns + "Page").Elements(ns + "Outline") where db.Attribute("author").Value == author select db).Single() as XElement; try { xe.Remove(); doc.Save(xpath); } catch { } } #region OCR写入Onenote和生成文字整个过程 //string xpath = @"C:\Users\Administrator\Desktop\OCR_Onenote\OnenoteOCR2.1\tmp.xml"; private void fnOCR(string v_strImgPath) { ORC(v_strImgPath); } public void ORC(string v_strImgPath) { FileInfo file = new FileInfo(v_strImgPath); #region //获取图片的Base64编码 using (MemoryStream ms = new MemoryStream()) { Bitmap bp = new Bitmap(v_strImgPath); 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: this.labMsg.Content = "不支持的图片格式。"; return; } byte[] buffer = ms.GetBuffer(); string _Base64 = Convert.ToBase64String(buffer); #endregion //向Onenote2010中插入图片 var onenoteApp = new Microsoft.Office.Interop.OneNote.Application(); //onenote提供的API /***************************************************************************************/ string sectionID; onenoteApp.OpenHierarchy(@"C:\Users\Administrator\Documents\OneNote 笔记本\个人\newfile.one", null, out sectionID, Microsoft.Office.Interop.OneNote.CreateFileType.cftSection); string pageID = "{A975EE72-19C3-4C80-9C0E-EDA576DAB5C6}{1}{B0}"; onenoteApp.CreateNewPage(sectionID, out pageID, Microsoft.Office.Interop.OneNote.NewPageStyle.npsBlankPageNoTitle); /********************************************************************************/ string notebookXml; onenoteApp.GetHierarchy(null, Microsoft.Office.Interop.OneNote.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; #region if (pageNode != null) { //Image Type 只支持这些类型：auto|png|emf|jpg string ImgExtension = file.Extension.ToLower().Substring(1); switch (ImgExtension) { case "jpg": ImgExtension = "jpg"; break; case "png": ImgExtension = "png"; break; case "emf": ImgExtension = "emf"; break; default: ImgExtension = "auto"; break; } #endregion 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", ImgExtension), new XAttribute("originalPageNumber", "0"), new XElement(ns + "Position", new XAttribute("x", "0"), new XAttribute("y", "0"), new XAttribute("z", "0")), new XElement(ns + "Size", new XAttribute("width", bp.Width.ToString()), new XAttribute("height", bp.Height.ToString())), new XElement(ns + "Data", _Base64))))))); page.Root.SetAttributeValue("ID", existingPageId); //保存图片进入Onenote页面 //注意以下几点：（待解决） //1，onenote页面自动会生成一个页面，可能造成一直ocr错误。删除默认页面，新建空页 //2，图片存储在新建页面中，通过如下代码实现的，以追加存储方式进行。 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 System.Threading.Thread.Sleep(Int32.Parse(System.Configuration.ConfigurationManager.AppSettings["WaitTIme"])); string pageXml; onenoteApp.GetPageContent(existingPageId, out pageXml, Microsoft.Office.Interop.OneNote.PageInfo.piBinaryData); //获取OCR后的内容 FileStream tmpXml = new FileStream(System.Configuration.ConfigurationManager.AppSettings["tmpPath"] + @"\tmp.xml", FileMode.Create, FileAccess.ReadWrite); StreamWriter sw = new StreamWriter(tmpXml); sw.Write(pageXml); sw.Flush(); sw.Close(); tmpXml.Close(); //加载xml中的数据 FileStream tmpOnenote = new FileStream(System.Configuration.ConfigurationManager.AppSettings["tmpPath"] + @"\tmp.xml", FileMode.Open, FileAccess.ReadWrite); XmlReader reader = XmlReader.Create(tmpOnenote); XElement rdlc = XElement.Load(reader); // rdlc.Save(xpath); /*****************************************************************************************************/ XmlNameTable nameTable = reader.NameTable; XmlNamespaceManager mgr = new XmlNamespaceManager(nameTable); mgr.AddNamespace("one", ns.ToString()); StringReader sr = new StringReader(pageXml); XElement onenote = XElement.Load(sr); ////读取xml中数据，并保存到文本中。 //XDocument doc1 = XDocument.Load(xpath); var xml = from o in onenote.XPathSelectElements("//one:Image", mgr) select o.XPathSelectElement("//one:OCRText", mgr).Value; this.txtOCRed.Text = xml.First().ToString(); /**********************************************************************/ sr.Close(); reader.Close(); tmpOnenote.Close(); //DeleteXML(xpath); onenoteApp.DeleteHierarchy(existingPageId); //onenoteApp.DeletePageContent(existingPageId, "{242BE490-7BF9-43D5-B719-3999E7631259}{46}{B0}"); //onenoteApp.DeletePageContent(existingPageId, "{242BE490-7BF9-43D5-B719-3999E7631259}{50}{B0}"); } } } #endregion #endregion
7、搜索文件夹中的文件
#region 搜索文件夹中的文件：2014-7-10 17:12:57 //搜索文件夹中的文件 //时间：2014-7-10 14:54:44 //作者：白宁超 ArrayList GetAll(DirectoryInfo dir) { try { ArrayList FileList = new ArrayList();//定义数组存放图片文件名 FileInfo[] allFile = dir.GetFiles(); foreach (FileInfo fi in allFile) { FileList.Add(fi.Name);//遍历图片，并添加到数组 } DirectoryInfo[] allDir = dir.GetDirectories(); foreach (DirectoryInfo d in allDir) { GetAll(d); } return FileList; } catch (Exception e) { labMsg.Content = e.Message + "文件夹选择方式错误，重新选择！！"; return null; } } #endregion
8、选择遍历文件夹图片
private void btn浏览_Click(object sender, RoutedEventArgs e) { txtmulu.Text = null; FolderBrowserDialog dialog = new FolderBrowserDialog(); dialog.Description = "请选择待处理目录"; if (dialog.ShowDialog() == System.Windows.Forms.DialogResult.OK) { string foldPath = dialog.SelectedPath; txtfile.Text = foldPath; DirectoryInfo d = new DirectoryInfo(@txtfile.Text); ArrayList Flst = GetAll(d); foreach (object o in Flst) { txtmulu.Text += "正在ORC图片: 【" + o.ToString() + "】\r\n"; } } else { labMsg.Content = "打开失败！！"; } #region 上传单个图片 2014-7-10 15:34:17 /*OpenFileDialog ofd = new OpenFileDialog(); ofd.Title = "请选择一个本地图片"; ofd.Multiselect = false; ofd.Filter = "支持的图片格式(*.jpg,*.jpeg,*.gif,*.bmp,*.png,*.tiff,*.emf)|*.jpg;*.jpeg;*.gif;*.bmp;*.png;*.tiff;*.emf"; if (ofd.ShowDialog() == System.Windows.Forms.DialogResult.OK) { this.txt本地图片.Text = ofd.FileName; this.img图片.Source = new BitmapImage(new Uri(ofd.FileName, UriKind.RelativeOrAbsolute)); this.labMsg.Content = "本地图片已成功加载。"; }*/ #endregion }
9、窗体关闭
private void Window_Closing(object sender, System.ComponentModel.CancelEventArgs e) { DirectoryInfo dir = new DirectoryInfo(System.Configuration.ConfigurationManager.AppSettings["tmpPath"]); foreach (FileInfo file in dir.GetFiles()) { file.Delete(); } }
【补充】orc前后结果对照：应部分园友建议，更为直观
- 整体orc结果：
- 具体orc结果：
【篇末】：程序中使用遍历文件，文件夹清空处理，文件的删除，文件的查找，文件夹的判空，重点在于图片的OneNote处理等操作，完成了批处理。可以自动执行批文件夹中图片，生成新的文本文件与图片名一致。现在不足之处，对文件夹的文件类型筛选为执行图片类型没有处理，容错不足，这个自己用文件放入纯图片可以，另外有时候进程处理不稳定，估计加入进度条原因。待版本2再做改进。下一节介绍文本文件处理入库（Oracle）。特别wpf中DataGrid的使用，如何在wpf中完成分页，简单的集合类型数据库分页可以，但是数据库连接如何分页？
作者：白宁超，工学硕士，现工作于四川省计算机研究院，研究方向是自然语言处理和机器学习。曾参与国家自然基金项目和四川省科技支撑计划等多个省级项目。著有《自然语言处理理论与实战》一书。 自然语言处理与机器学习技术交流群号：436303759 。
出处：http://www.cnblogs.com/baiboy/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
