IdentifiantMot de passe
Loading...
Mot de passe oublié ?Je m'inscris ! (gratuit)
Navigation

Inscrivez-vous gratuitement
pour pouvoir participer, suivre les réponses en temps réel, voter pour les messages, poser vos propres questions et recevoir la newsletter

C# Discussion :

Projet : IFilter pour images avec ORC intégré


Sujet :

C#

  1. #1
    Expert éminent
    Avatar de StringBuilder
    Homme Profil pro
    Chef de projets
    Inscrit en
    Février 2010
    Messages
    4 152
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Âge : 45
    Localisation : France, Rhône (Rhône Alpes)

    Informations professionnelles :
    Activité : Chef de projets
    Secteur : High Tech - Éditeur de logiciels

    Informations forums :
    Inscription : Février 2010
    Messages : 4 152
    Points : 7 402
    Points
    7 402
    Billets dans le blog
    1
    Par défaut
    Bonjour,

    Je suis en train de m'amuser à faire un projet perso de GED.

    Parmi les fonctionnalités d'une GED, il y a la numérisation de documents papier, et leur indexation.

    J'ai deux options qui s'offrent à moi pour l'indexation :
    - Passer le document scannée dans un OCR, puis récupérer le texte, avant de l'injecter dans ma base de données indexées en fulltext. Avec une bidouille, lorsque fulltext retrouvera le texte de mon image, au lieu d'afficher ce texte, j'irai chercher l'image, stockée ailleurs.
    - Ecrire un IFilter pour SQL Server, me permettant de stocker directement l'image dans ma table des documents, et de l'indexer en fulltext sans faire de différence par rapport à un document word ou pdf.

    La seconde solution me tente beaucoup pour deux raisons :
    - Que mon document soit JPG ou DOC, je le gère rigoureusement de la même façon
    - Le module généré pourra être utilisé par d'autres personnes
    - La procédure d'indexation de SQL Server est récursive. Cela implique que si un document Word contient par exemple un document PDF, le document PDF est analysé au sein du document Word... Cela veut dire aussi, logiquement, que si une image est présente dans un document Word ou PDF, alors elle sera indexée : très pratique, quand on sait que de nombreux photocopieurs permettent de générer directement des PDF ou DOC à partir des documents scannés ou reçus par fax !

    Je souhaite donc me lancer dans l'écriture d'un IFilter pour SQL Server.

    Maintenant, les choses se corsent :
    - Peut-on faire un IFilter en C#, ou dois-je obligatoirement faire du C++ (pitiée, dites-moi que C# est supporté)
    - Quel OCR choisir ? Tesseract de Google semble pas mal, et à l'avantage d'être Open Source, et sous une licence (Apache2) permettant sa distribution. En revanche, rien ne semble être prévu pour le support de C# ! J'ai bien trouvé Tessnet2, mais il est basé sur une vieille version de Tesseract, plutôt désuette. J'ai trouvé aussi comment faire un wrapper de l'EXE, mais je trouve ça plutôt très crade de procéder de la sorte. D'autant que j'imagine que IFilter ne permet pas tout, et lancer un exe externe me semble une limitation plutôt logique en termes de sécurité.

    Donc, existe-t-il une adaptation de Tesseract pour C# ? Un Wrapper de la DLL ?

    Question subsidiaire : n'existerait-il pas déjà un tel IFilter ?

    EDIT
    Un truc que je pige pas non plus...

    TIFF, c'est bien un format d'image, non ?

    Pourquoi Microsoft fournit-il un IFilter capable de faire ce que je désire... mais uniquement pour les TIFF ???
    http://technet.microsoft.com/en-us/l...85(WS.10).aspx

    Du coup, je me demande si un solution ne serait pas de convertir à la volée les images en TIFF lors de leur indexation dans la GED... Reste que pour les image embeded dans un autre document, c'est pas possible :/
    On ne jouit bien que de ce qu’on partage.

  2. #2
    Expert confirmé Avatar de DonQuiche
    Inscrit en
    Septembre 2010
    Messages
    2 741
    Détails du profil
    Informations forums :
    Inscription : Septembre 2010
    Messages : 2 741
    Points : 5 485
    Points
    5 485
    Par défaut
    Citation Envoyé par StringBuilder Voir le message
    Pourquoi Microsoft fournit-il un IFilter capable de faire ce que je désire... mais uniquement pour les TIFF ???
    http://technet.microsoft.com/en-us/l...85(WS.10).aspx
    Parce que ceux qui ont le plus besoin d'indexer des images sont des pros et que l'industrie graphique s'appuie massivement sur les TIFF et PSD (et ce dernier étant proprio, c'est à Adobe de filer le IFilter). Et non pas sur Jpeg, Png, Gif.

    Qui plus est, il n'y a pas tant de formats d'images que ça ayant des métadonnées si l'on exclue les formats proprios et, parmi les formats génériques d'images, peu supportent de nombreux formats de métadonnées. Là aussi, TIFF fait la différence avec un support très large.



    Du coup, je me demande si un solution ne serait pas de convertir à la volée les images en TIFF lors de leur indexation dans la GED... Reste que pour les image embeded dans un autre document, c'est pas possible :/
    Si tu trouves un convertisseur qui conserve les métadonnées intactes, pourquoi pas.

  3. #3
    Expert éminent
    Avatar de StringBuilder
    Homme Profil pro
    Chef de projets
    Inscrit en
    Février 2010
    Messages
    4 152
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Âge : 45
    Localisation : France, Rhône (Rhône Alpes)

    Informations professionnelles :
    Activité : Chef de projets
    Secteur : High Tech - Éditeur de logiciels

    Informations forums :
    Inscription : Février 2010
    Messages : 4 152
    Points : 7 402
    Points
    7 402
    Billets dans le blog
    1
    Par défaut
    Je ne comprends pas bien ta réponse.

    Tu me parles de méta.

    Moi, je parle d'OCR, c'est à dire de reconnaissance de texte dans l'image, pas de retrouver ce qu'on a pu saisir manuellement comme méta données.

    Dans le lien que j'ai donné, il est bel et bien question d'un OCR dans ce IFilter, qui permet donc d'indexer donc les méta, mais aussi l'image elle-même.

    Le but de mon IFilter est bien là : je reçois un contrat par fax, je le numérise dans un format image quelconque (JPG, PNG, TIFF ou n'importe), et je l'envoie dans la base de données. C'est alors SQL Server qui va l'indexer en reconnaissant le texte qu'il contient.

    Windows semble déjà savoir le faire en natif pour les TIFF, et je cherche un moyen de le faire pour les autres formats d'image.

    L'indexation des meta, c'est le dernier de mes soucis : pour moi, les méta ne sont là que pour pallier à l'absence d'un OCR, ou des lacunes de la GED qui se charge de classer les fichiers.

    Par analogies à un livre :
    - Que je dois à la bibliothèque municipale, la bnf ou chez le libraire, c'est le même livre, il n'y a absolument rien qui le diffère.
    - Et pourtant, il est rangé dans une étagère différente, à la librairie, il sera stocké dans le bac des "best-sellers", à la bibliothèque municipale, dans l'étagère des "science fictions", alors qu'à la BNF il sera classé dans le bâtiment B, 4° sous-sol, sous le qualificatif de "oeuvre contemporaine".

    Ces informations n'ont donc rien à faire dans le fichier, elles sont propres au système de classification, et si le fichier doit changer de GED, elles n'ont plus d'intérêt.

    En revanche, je veux pouvoir retrouver le livre en tapant son numéro ISBN ou le nom d'un personnage : afin d'éviter un travail fastidieux de qualification du fichier, une simple passe OCR permettrait de m'affranchir de l'utilisation de méta données (bon, au détail près que l'OCR, c'est jamais bien au point et qu'un important nombre de termes seront mal reconnus, mais ça, on va dire que je tenterai d'y apporter une solution dans un second temps)
    On ne jouit bien que de ce qu’on partage.

  4. #4
    Expert confirmé Avatar de DonQuiche
    Inscrit en
    Septembre 2010
    Messages
    2 741
    Détails du profil
    Informations forums :
    Inscription : Septembre 2010
    Messages : 2 741
    Points : 5 485
    Points
    5 485
    Par défaut
    Citation Envoyé par StringBuilder Voir le message
    Tu me parles de méta.

    Moi, je parle d'OCR, c'est à dire de reconnaissance de texte dans l'image, pas de retrouver ce qu'on a pu saisir manuellement comme méta données.
    Ouhlà. Mes excuses, j'avais lu en diagonale et j'étais à côté de la plaque. Je savais que les IFilter servent à extraire du contenu textuel depuis un format quelconque de fichiers en vue de l'indexer et j'en ai donc conclu que tu cherchais à réaliser une indexation basée sur les métadonnées. Parce que je ne voyais vraiment pas ce que l'on pourrait indexer à part ça. J'ignorais, et je n'aurais jamais imaginé, que MS fournit un IFilter faisant de la reconnaissance de texte. Ça me semble carrément surréaliste, j'en reste bouche bée et je me demande bien d'où est leur est venu ce besoin de fournir un tel filtre.

    Soit dit en passant, je suis déjà épaté par l'existence de ce filtre, il ne me serait pas venu à l'idée d'aller râler quant au fait qu'il n'y ait pas d'autre format supporté.

  5. #5
    Expert éminent
    Avatar de StringBuilder
    Homme Profil pro
    Chef de projets
    Inscrit en
    Février 2010
    Messages
    4 152
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Âge : 45
    Localisation : France, Rhône (Rhône Alpes)

    Informations professionnelles :
    Activité : Chef de projets
    Secteur : High Tech - Éditeur de logiciels

    Informations forums :
    Inscription : Février 2010
    Messages : 4 152
    Points : 7 402
    Points
    7 402
    Billets dans le blog
    1
    Par défaut
    Je t'avoue que j'ai été très surpris moi aussi

    Mais d'après l'article, il le IFilter a bel et bien accès au moteur de reconnaissance OCR de Word j'imagine (si je ne m'abuse, c'est le moteur de OmniPage).

    En revanche, j'ai lu dans un autre article que la fonctionnalité était désactivée par défaut (ce qui semble assez logique, car déjà que l'indexation est consommatrice, mais si en plus on passe à l'OCR les images...)

    Mais bon, moi c'est effectivement ce que je cherche à faire, mais pour n'importe quel type de fichier image

    J'ai trouvé une piste : j'ai récupéré un code C# permettant de faire un IFilter...

    "Reste plus qu'à" réussir à m'interfacer avec un ORC

    http://social.msdn.microsoft.com/for...-6ef423c80857/
    On ne jouit bien que de ce qu’on partage.

  6. #6
    Expert éminent
    Avatar de StringBuilder
    Homme Profil pro
    Chef de projets
    Inscrit en
    Février 2010
    Messages
    4 152
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Âge : 45
    Localisation : France, Rhône (Rhône Alpes)

    Informations professionnelles :
    Activité : Chef de projets
    Secteur : High Tech - Éditeur de logiciels

    Informations forums :
    Inscription : Février 2010
    Messages : 4 152
    Points : 7 402
    Points
    7 402
    Billets dans le blog
    1
    Par défaut
    Bonjour,

    J'ai finalement "terminé" une version initiale du filtre.

    Si cela intéresse quelqu'un, voici le code source.

    Il faut télécharger la version "portable" de Tesseract et le placer dans le dossier d'exécution du filtre.

    Je vous conseille d'installer le package français, car le code source traite les documents comme étant en français (et force l'utilisation du dictionnaire français).

    Le résultat n'est pas parfait, et la plus grosse limitation est liée à Tesseract : une capture d'écran du forum, pourtant parfaitement lisible, donnera comme résultat un charabia incompréhensible. Il faudra se mettre en mode mal voyant (taille 24 minimum) pour faire la capture d'écran. A ce moment, ça marche nickel.
    http://code.google.com/p/tesseract-o.../detail?id=191

    Ensuite, voici les limitations rencontrées :
    - Un plantage étrange subsiste : parfois, l'indexation plante, et laisse le filtre tourner indéfiniment. On dirait que Tesseract ne termine jamais la reconnaissance, ou qu'il termine, mais que le filtre ne récupère pas la main
    - La méthode pour appeler Tesseract est ignoble : depuis une DLL, on lance comme un bourrin la ligne de commande shell du programme, qui travaille sur des fichiers temporaires, avant de récupérer les fichiers générés... bref, c'est moche. Ça m'ennuie d'autant plus que j'utilise "proprement" l'interface IFilter prévue pour le C++, et que je suis incapable d'utiliser Tesseract de la même façon.
    => Je pense avoir trouvé une piste très encourageante http://code.google.com/p/tesseractdotnet/
    - Pour la raison précédente, les performances doivent pouvoir grandement s'améliorer
    - Contraitement à ce que j'avais lu sur la MSDN, l'indexaction de documents embedded (une image dans un document word ou pdf par exemple) ne fonctionne pas avec le filtre. Soit j'ai raté une option dans le registre, soit il me manque une interface... je vais me concentrer sur ce point maintenant.
    http://technet.microsoft.com/en-us/l.../ms345185.aspx
    Je suis un peu dégouté sur ce point, je ne trouve aucune information si ce n'est cet article qui m'avait donné espoir. Pour le moment, rien trouvé de probant, puisqu'il semblerait qu'il faille manuellement appeler le IFilter depuis le filtre du document contenant... C'est à dire que je suis pas prêt de voir mon filtre être appelé par ceux de Microsoft Office !

    Code : Sélectionner tout - Visualiser dans une fenêtre à part
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    90
    91
    92
    93
    94
    95
    96
    97
    98
    99
    100
    101
    102
    103
    104
    105
    106
    107
    108
    109
    110
    111
    112
    113
    114
    115
    116
    117
    118
    119
    120
    121
    122
    123
    124
    125
    126
    127
    128
    129
    130
    131
    132
    133
    134
    135
    136
    137
    138
    139
    140
    141
    142
    143
    144
    145
    146
    147
    148
    149
    150
    151
    152
    153
    154
    155
    156
    157
    158
    159
    160
    161
    162
    163
    164
    165
    166
    167
    168
    169
    170
    171
    172
    173
    174
    175
    176
    177
    178
    179
    180
    181
    182
    183
    184
    185
    186
    187
    188
    189
    190
    191
    192
    193
    194
    195
    196
    197
    198
    199
    200
    201
    202
    203
    204
    205
    206
    207
    208
    209
    210
    211
    212
    213
    214
    215
    216
    217
    218
    219
    220
    221
    222
    223
    224
    225
    226
    227
    228
    229
    230
    231
    232
    233
    234
    235
    236
    237
    238
    239
    240
    241
    242
    243
    244
    245
    246
    247
    248
    249
    250
    251
    252
    253
    254
    255
    256
    257
    258
    259
    260
    261
    262
    263
    264
    265
    266
    267
    268
    269
    270
    271
    272
    273
    274
    275
    276
    277
    278
    279
    280
    281
    282
    283
    284
    285
    286
    287
    288
    289
    290
    291
    292
    293
    294
    295
    296
    297
    298
    299
    300
    301
    302
    303
    304
    305
    306
    307
    308
    309
    310
    311
    312
    313
    314
    315
    316
    317
    318
    319
    320
    321
    322
    323
    324
    325
    326
    327
    328
    329
    330
    331
    332
    333
    334
    335
    336
    337
    338
    339
    340
    341
    342
    343
    344
    345
    346
    347
    348
    349
    350
    351
    352
    353
    354
    355
    356
    357
    358
    359
    360
    361
    362
    363
    364
    365
    366
    367
    368
    369
    370
    371
    372
    373
    374
    375
    376
    377
    378
    379
    380
    381
    382
    383
    384
    385
    386
    387
    388
    389
    390
    391
    392
    393
    394
    395
    396
    397
    398
    399
    400
    401
    402
    403
    404
    405
    406
    407
    408
    409
    410
    411
    412
    413
    414
    415
    416
    417
    418
    419
    420
    421
    422
    423
    424
    425
    426
    427
    428
    429
    430
    431
    432
    433
    434
    435
    436
    437
    438
    439
    440
    441
    442
    443
    444
    445
    446
    447
    448
    449
    450
    451
    452
    453
    454
    455
    456
    457
    458
    459
    460
    461
    462
    463
    464
    465
    466
    467
    468
    469
    470
    471
    472
    473
    474
    475
    476
    477
    478
    479
    480
    481
    482
    483
    484
    485
    486
    487
    488
    489
    490
    491
    492
    493
    494
    495
    496
    497
    498
    499
    500
    501
    502
    503
    504
    505
    506
    507
    508
    509
    510
    511
    512
    513
    514
    515
    516
    517
    518
    519
     
     
    using Microsoft.Win32;
    using System;
    using System.Diagnostics;
    using System.Drawing;
    using System.IO;
    using System.Runtime.InteropServices;
    using System.Runtime.InteropServices.ComTypes;
    using System.Text;
     
    /*
     * To use the tagging of data types, the Chunk type (PropID) is the
     * propid from the schema.txt file; e.g. 
     * "D5CDD505-2E9C-101B-9397-08002B2CF9AE/PerceivedType" for
     * "Perceived Type".
     * Then GetValue() returns one string from the list of:
     * contact communications communications/e-mail communications/calendar communications/task
     * communications/im document/note document document/text document/spreadsheet document/presentation
     * music images images/picture images/video folder favorite program
     * 
     * Note also that the acceptable attributes (FULLPROPSPEC property sets)
     * are passed into aAttributes via Init(), if cAttributes is non-zero.
    */
     
    namespace IFilterPicture
    {
        /// <summary>
        /// The IFilter and IPersistFile interfaces, and some support structure
        /// for the File Filter (Extractor)
        /// </summary>
        [ComVisible(true), Guid("78BD7653-D16A-43ad-B119-7080D635F27E")]
        public class IFilterPicture : IPersistFile, IFilter
        {
            private static string myGuid = "78BD7653-D16A-43ad-B119-7080D635F27E"; /// <summary>For convenience, GUID in a string</summary>
            //private static string myHandlerGUID = "{60995D18-5F02-4196-B618-5D9C2A6ABC9D}"; /// <summary>We don't use this here, but it's needed for the registry.</summary>
     
            private bool bApplyIndexAttributes = false;
            private bool bCrawlAttributes = false;
            private bool bApplyOther = false;
     
            private bool doneFirstChunk = false;
     
            private string currentFileName = string.Empty;
            private int iChunkCount = 0;
     
            private const uint LANGUAGE_FR = 0x040C;
     
            private string text;
     
            public IFilterPicture()
            {
    #if DEBUG
                _writeLog("On construit IFilterPicture()");
    #endif
            }
     
            //	IFilter Methods
            /// <summary>Initializes a filtering session.</summary>
            /// <param name="grfFlags">What processing to perform</param>
            /// <param name="cAttributes">How many Attribute elements are in the aAttributes array, may be 0</param>
            /// <param name="aAttributes">Attributes to process</param>
            /// <param name="pdwFlags"></param>
            public void Init([MarshalAs(UnmanagedType.U4)] IFILTER_INIT grfFlags, uint cAttributes, [MarshalAs(UnmanagedType.LPArray, SizeParamIndex = 1)] FULLPROPSPEC[] aAttributes, ref uint pdwFlags)
            {
    #if DEBUG
                _writeLog("On entre dans Init()");
    #endif
                bApplyIndexAttributes = ((grfFlags & IFILTER_INIT.APPLY_INDEX_ATTRIBUTES) == IFILTER_INIT.APPLY_INDEX_ATTRIBUTES);
                bCrawlAttributes = ((grfFlags & IFILTER_INIT.APPLY_CRAWL_ATTRIBUTES) == IFILTER_INIT.APPLY_CRAWL_ATTRIBUTES);
                bApplyOther = ((grfFlags & IFILTER_INIT.APPLY_OTHER_ATTRIBUTES) == IFILTER_INIT.APPLY_OTHER_ATTRIBUTES);
    #if DEBUG
                _writeLog("On sort de Init()");
    #endif
            }
     
            /// <summary>
            /// Loads the first chunk or sets the pointers to zero on fail
            /// </summary>
            /// <returns></returns>
            private bool getFirstChunk()
            {
    #if DEBUG
                _writeLog("On entre dans getFirstChunk()");
    #endif
     
                if ((currentFileName == null) || (File.Exists(currentFileName) == false))
                {
                    currentFileName = "";
    #if DEBUG
                    _writeLog("On n'a pas de fichier à indexer (?)");
                    _writeLog("On sort de getFirstChunk()");
    #endif
                    return false;
                }
     
    #if DEBUG
                _writeLog(string.Format("On index le fichier {0}", currentFileName));
    #endif
                try
                {
                    TesseractOCR tess = new TesseractOCR(Path.GetDirectoryName(System.Reflection.Assembly.GetAssembly(typeof(IFilterPicture)).Location) + @"\tesseract.exe");
                    text = tess.OCRFromFile(currentFileName);
                }
                catch (Exception e)
                {
    #if DEBUG
                    _writeLog(string.Format("Erreur : {0}", e.Message));
    #endif
                    text = "crashed";
                }
     
    #if DEBUG
                _writeLog("On sort de getFirstChunk()");
    #endif
     
                return true;
            }
     
            /// <summary>The IFilter::GetChunk method positions the filter at the beginning of the next chunk, or at the first chunk if this is the first call to the GetChunk method, and returns a description of the current chunk.</summary>
            /// <remarks>Each chunk might be tiny; the file extractor (filter) decides.
            /// Note that Chunk ID 0 is invalid; must start at 1.</remarks>
            /// <param name="pStat">STAT_CHUNK pointer</param>
            [PreserveSig]
            public int GetChunk(out STAT_CHUNK pStat)
            {
    #if DEBUG
                _writeLog("On entre dans GetChunk()");
    #endif
     
                bool bSuccess = true;
                STAT_CHUNK myStat = new STAT_CHUNK();
                pStat = myStat;
                pStat.locale = LANGUAGE_FR;
                iChunkCount++;
                pStat.idChunk = (uint)iChunkCount;
     
                if (iChunkCount == 2)
                {
    #if DEBUG
                    _writeLog("On sort de GetChunk()");
    #endif
                    return Constants.FILTER_E_END_OF_CHUNKS;
                }
     
                if (!doneFirstChunk)
                {
    #if DEBUG
                    _writeLog("!doneFirstChunk");
    #endif
                    doneFirstChunk = true;
                    bSuccess = getFirstChunk();
                }
     
                if (!bSuccess)
                {
    #if DEBUG
                    _writeLog("!bSuccess");
                    _writeLog("On sort de GetChunk() avec le message Constants.FILTER_E_END_OF_CHUNKS");
    #endif
                    return Constants.FILTER_E_END_OF_CHUNKS;
                }
                pStat.flags = CHUNKSTATE.CHUNK_TEXT;
     
                pStat.attribute.guidPropSet = new Guid(0xb725f130, 0x47ef, 0x101a, 0xa5, 0xf1, 0x02, 0x60, 0x8c, 0x9e, 0xeb, 0xac);
                pStat.attribute.psProperty.ulKind = (int)PSKIND.PROPID;
                pStat.attribute.psProperty.propid = Constants.PID_STG_CONTENTS;
                pStat.idChunkSource = pStat.idChunk;
                pStat.breakType = CHUNK_BREAKTYPE.CHUNK_EOC;
                pStat.cwcStartSource = 0;
    #if DEBUG
                _writeLog("On sort de GetChunk() avec le message Constants.FILTER_E_END_OF_CHUNKS");
    #endif
                return Constants.S_OK;
            }
     
            /// <summary>Gets the text from this chunk of type CHUNK_TEXT</summary>
            /// <param name="pcwcBuffer">Size of input buffer in UNICODE characters; fill with output size in CHARACTERS</param>
            /// <param name="buffer">Null-terminated UNICODE string of the text.</param>
            /// <returns></returns>
            /// <remarks>This is called repeatedly INSIDE THE ONE CHUNK until all the text 
            /// is delivered.</remarks>
            [PreserveSig]
            public int GetText(ref int pcwcBuffer, IntPtr buffer)
            {
    #if DEBUG
                _writeLog("On entre dans GetText()");
    #endif
                pcwcBuffer = text.Length;
                Marshal.Copy(text.ToCharArray(), 0, buffer, text.Length);
    #if DEBUG
                _writeLog("On sort de GetText()");
    #endif            
                return Constants.FILTER_S_LAST_TEXT;
            }
     
            /// <summary>Retrieves a value (internal value-type property) from a chunk, which must have a CHUNKSTATE enumeration value of CHUNK_VALUE.</summary>
            /// <param name="ppPropValue"></param>
            /// <remarks>According to the blog, the most important ones are:
            /// DocAuthor, PrimaryDate, PercievedType and DocTitle.
            /// PerceivedTypes include contact, communications/calendar
            ///		document/note and communications/task</remarks>
            ///		
            [PreserveSig]
            public int GetValue(UIntPtr ppPropValue)
            {
    #if DEBUG
                _writeLog("On entre (et sort) de GetValue()"); 
    #endif
                return Constants.FILTER_E_NO_VALUES;
            }
     
            /// <summary>Returns the class identifier (CLSID) for the component object. In the case 
            /// of a filter, this is the file type identifier.</summary>
            /// <param name="pClassID"></param>
            public void GetClassID(out Guid pClassID)
            {
    #if DEBUG
                _writeLog("On entre (et sort) de GetClassID()");
    #endif
                pClassID = new Guid(myGuid);
            }
            public void BindRegion([MarshalAs(UnmanagedType.Struct)]FILTERREGION origPos, ref Guid riid, ref UIntPtr ppunk)
            {
    #if DEBUG
                _writeLog("On entre (et sort) de BindRegion()");
    #endif
                return;
            }
     
     
            /// <summary>Open and initialize the file</summary>
            /// <param name="pszFileName">Absolute file path to open/initialize</param>
            /// <param name="dwMode">STGM flags for how to open</param>
            /// <remarks>The STGM Flags provide 18 options and additional combinations for how to open
            /// and process the file.  Since IFilters are inherently read-only to the IPersist:: file, 
            /// most of these are irrelevant.  So we're ignoring it.</remarks>
            public void Load(string pszFileName, int dwMode)
            {
    #if DEBUG
                _writeLog("On entre dans Load()");
                _writeLog(string.Format("On indexe {0}", pszFileName));
    #endif
                currentFileName = pszFileName;
    #if DEBUG
                _writeLog("On sort de Load()");
    #endif
            }
     
    #if DEBUG
            static public void _writeLog(string text)
            {
                string logFileName = "c:\\in\\logfile.txt";
                StreamWriter mylog = new StreamWriter(logFileName, true);
                if (mylog != null)
                    mylog.WriteLine(DateTime.Now.ToLongTimeString() + " " + text);
                mylog.Close();
     
            }
    #endif
     
            //	These are stubs needed for the interface but never called for Read-Only Access
            public void GetCurFile(out string ppszFileName) { ppszFileName = currentFileName; }
            public int IsDirty() { return Constants.E_NOTIMPL; }
            public void Save(string pszFileName, bool fRemember) { }
            public void SaveCompleted(string pszFileName) { }
        }
     
     
     
        [Flags]
        public enum IFILTER_INIT
        {
            NONE = 0,
            CANON_PARAGRAPHS = 1,
            HARD_LINE_BREAKS = 2,
            CANON_HYPHENS = 4,
            CANON_SPACES = 8,
            APPLY_INDEX_ATTRIBUTES = 16,
            APPLY_CRAWL_ATTRIBUTES = 256,
            APPLY_OTHER_ATTRIBUTES = 32,
            INDEXING_ONLY = 64,
            SEARCH_LINKS = 128,
            FILTER_OWNED_VALUE_OK = 512
        }
     
        [Flags]
        public enum IFILTER_FLAGS
        {
            OLE_PROPERTIES = 1
        }
     
        /// <summary>Describes what separates the CURRENT chunk from the PREVIOUS chunk with the same Attribute.
        /// Used by IFilter::GetChunk() in the return.</summary>
        public enum CHUNK_BREAKTYPE
        {
            CHUNK_NO_BREAK = 0,	/// <summary>No Break from previous and doesn't get flags/attributes; glue them </summary>
            CHUNK_EOW = 1,		/// <summary>Reached the End-Of-Word.  Don't use it; language dependent.</summary>
            CHUNK_EOS = 2,		/// <summary>Sentence Break</summary>
            CHUNK_EOP = 3,		///	<summary>Paragraph Break</summary>
            CHUNK_EOC = 4		///	<summary>Chapter Break</summary>
        }
     
        [Flags]
        public enum CHUNKSTATE
        {
            CHUNK_TEXT = 0x1,
            CHUNK_VALUE = 0x2,
            CHUNK_FILTER_OWNED_VALUE = 0x4
        }
     
        public enum PSKIND
        {
            LPWSTR = 0,
            PROPID = 1
        }
     
        // [StructLayout(LayoutKind.Sequential)]
        [StructLayout(LayoutKind.Explicit)]
        public struct PROPSPEC
        {
            [FieldOffset(0)]
            public uint ulKind;
            [FieldOffset(4)]
            public uint propid;
     
            //	NOTE: The real structure uses a Union.  C# doesn't support unions.  So I've commented
            //		  out this element to make the correct size.  Other samples don't do this.  TMcN
            [FieldOffset(4)]
            public IntPtr lpwstr;
        }
     
        [StructLayout(LayoutKind.Sequential)]
        public struct FULLPROPSPEC
        {
            public Guid guidPropSet;
            public PROPSPEC psProperty;
        }
     
        [StructLayout(LayoutKind.Sequential)]
        public struct STAT_CHUNK
        {
            public uint idChunk;
            [MarshalAs(UnmanagedType.U4)]
            public CHUNK_BREAKTYPE breakType;
            [MarshalAs(UnmanagedType.U4)]
            public CHUNKSTATE flags;
            public uint locale;
            [MarshalAs(UnmanagedType.Struct)]
            public FULLPROPSPEC attribute;
            public uint idChunkSource;
            public uint cwcStartSource;
            public uint cwcLenSource;
        }
     
        [StructLayout(LayoutKind.Sequential)]
        public struct FILTERREGION
        {
            public uint idChunk;
            public uint cwcStart;
            public uint cwcExtent;
        }
     
     
        [StructLayout(LayoutKind.Sequential)]
        public struct PROPVARIANT
        {
            public short vt;			/// <summary>Variant Type</summary>
            public short reserved1;
            public short reserved2;
            public short reserved3;
            unsafe
            public char* pwszVal;
        }
     
     
        [ComImport]
        [Guid("89BCB740-6119-101A-BCB7-00DD010655AF")]
        [InterfaceType(ComInterfaceType.InterfaceIsIUnknown)]
        public interface IFilter
        {
            void Init([MarshalAs(UnmanagedType.U4)] IFILTER_INIT grfFlags, uint cAttributes,
                [MarshalAs(UnmanagedType.LPArray, SizeParamIndex = 1)] FULLPROPSPEC[] aAttributes,
                ref uint pdwFlags);
            [PreserveSig]
            int GetChunk(out STAT_CHUNK pStat);
     
     
            [PreserveSig]
            int GetText(ref int pcwcBuffer, IntPtr buffer);
            [PreserveSig]
            int GetValue(UIntPtr ppPropValue);
     
            void BindRegion([MarshalAs(UnmanagedType.Struct)]FILTERREGION origPos, ref Guid riid, ref UIntPtr ppunk);
        }
     
        [ComImport]
        [Guid("f07f3920-7b8c-11cf-9be8-00aa004b9986")]
        public class CFilter
        {
        }
     
        public class Constants
        {
            public const uint PID_STG_DIRECTORY = 0x00000002;
            public const uint PID_STG_CLASSID = 0x00000003;
            public const uint PID_STG_STORAGETYPE = 0x00000004;
            public const uint PID_STG_VOLUME_ID = 0x00000005;
            public const uint PID_STG_PARENT_WORKID = 0x00000006;
            public const uint PID_STG_SECONDARYSTORE = 0x00000007;
            public const uint PID_STG_FILEINDEX = 0x00000008;
            public const uint PID_STG_LASTCHANGEUSN = 0x00000009;
            public const uint PID_STG_NAME = 0x0000000a;
            public const uint PID_STG_PATH = 0x0000000b;
            public const uint PID_STG_SIZE = 0x0000000c;
            public const uint PID_STG_ATTRIBUTES = 0x0000000d;
            public const uint PID_STG_WRITETIME = 0x0000000e;
            public const uint PID_STG_CREATETIME = 0x0000000f;
            public const uint PID_STG_ACCESSTIME = 0x00000010;
            public const uint PID_STG_CHANGETIME = 0x00000011;
            public const uint PID_STG_CONTENTS = 0x00000013;
            public const uint PID_STG_SHORTNAME = 0x00000014;
            public const int FILTER_E_END_OF_CHUNKS = (unchecked((int)0x80041700));
            public const int FILTER_E_NO_MORE_TEXT = (unchecked((int)0x80041701));
            public const int FILTER_E_NO_MORE_VALUES = (unchecked((int)0x80041702));
            public const int FILTER_E_NO_TEXT = (unchecked((int)0x80041705));
            public const int FILTER_E_NO_VALUES = (unchecked((int)0x80041706));
            public const int FILTER_S_LAST_TEXT = (unchecked((int)0x00041709));
            public const int S_OK = (unchecked((int)0x00000000L));
            public const int S_FALSE = (unchecked((int)0x00000001L));
            public const int E_NOTIMPL = (unchecked((int)0x80004001L));
            public const int E_ABORT = (unchecked((int)0x80004004L));
     
        }
     
        public class TesseractOCR
        {
            private string commandpath;
            private string outpath;
     
            public TesseractOCR(string commandpath)
            {
    #if DEBUG
                _writeLog("TesseractOCR()");
    #endif
                this.commandpath = commandpath;
                outpath = Path.ChangeExtension(Path.GetTempFileName(), ".txt");
     
    #if DEBUG
                _writeLog(string.Format("commandpath : {0}", commandpath));
                _writeLog(string.Format("outpath : {0}", outpath));
    #endif
            }
            private string analyze(string filename)
            {
    #if DEBUG
                _writeLog("analyze()");
    #endif
                string args = string.Format("\"{0}\" \"{1}\" -l fra", filename, outpath.Replace(".txt", string.Empty));
    #if DEBUG
                _writeLog(string.Format("args : {0}", args));
    #endif
                ProcessStartInfo startinfo = new ProcessStartInfo(commandpath, args);
                startinfo.CreateNoWindow = true;
                startinfo.UseShellExecute = false;
    #if DEBUG
                _writeLog(string.Format("commandpath : {0}", commandpath));
                if (!File.Exists(filename))
                {
                    _writeLog(string.Format("Le fichier {0} n'existe pas !", filename));
                }
                _writeLog("Lancement de la reconnaissance OCR");
    #endif
     
                Process.Start(startinfo).WaitForExit();
     
                string ret = "";
    #if DEBUG
                if (!File.Exists(outpath))
                {
                    _writeLog(string.Format("Le fichier {0} n'existe pas !", outpath));
                }
    #endif            
                using (StreamReader r = new StreamReader(outpath))
                {
    #if DEBUG
                    _writeLog("lecture du fichier de sortie");
    #endif
                    string content = r.ReadToEnd();
                    ret = content;
                }
    #if DEBUG
                _writeLog(string.Format("ret : {0}", ret));
    #endif
                File.Delete(outpath);
                return ret;
            }
     
            public string OCRFromFile(string filename)
            {
    #if DEBUG
                _writeLog("OCRFromFile()");
    #endif
                return analyze(filename);
            }
     
    #if DEBUG
            static public void _writeLog(string text)
            {
                string logFileName = "c:\\in\\logfile2.txt";
                StreamWriter mylog = new StreamWriter(logFileName, true);
                if (mylog != null)
                    mylog.WriteLine(DateTime.Now.ToLongTimeString() + " " + text);
                mylog.Close();
     
            }
    #endif
        }
    }
    On ne jouit bien que de ce qu’on partage.

Discussions similaires

  1. Réponses: 12
    Dernier message: 04/05/2015, 13h58
  2. Bulle d'aide pour image avec GtkTooltips
    Par castel51 dans le forum GTK+ avec C & C++
    Réponses: 2
    Dernier message: 15/09/2007, 13h27

Partager

Partager
  • Envoyer la discussion sur Viadeo
  • Envoyer la discussion sur Twitter
  • Envoyer la discussion sur Google
  • Envoyer la discussion sur Facebook
  • Envoyer la discussion sur Digg
  • Envoyer la discussion sur Delicious
  • Envoyer la discussion sur MySpace
  • Envoyer la discussion sur Yahoo