高度な文書分析

PDF/スキャンした PDF の処理において、これらの OCR ソリューションはどのように比較されますか?

実装の詳細を検討する前に、スキャンされた PDF ファイルからのテキスト認識の主な機能の比較を示します。

比較すると、 IronOCR は、特に検索可能な PDF 生成とバーコード認識を必要とするエンタープライズドキュメント管理システム向けに、より完全な PDF 処理機能を提供していることがわかります。

TesseractはどのようにPDFファイルを扱い、テキストを抽出しますか?

Tesseract OCRエンジンは、PDFドキュメントの入力をネイティブサポートしていません。 Tesseract の公式ドキュメントによると、開発者は OCR を実行する前に、まず PDF ページを PNG や JPEG などの入力画像形式に変換する必要があります。 このプロセスでは、各ページをレンダリングするために、Ghostscript、Docotic.Pdf、または同様のツールのような追加ライブラリが必要です。 変換ワークフローにより、生産システムが複雑になります。

以下は、C#でPDFからテキストを抽出する典型的なTesseractワークフローの簡略化した例です：

using Tesseract;
using System.Drawing;
using System.Threading.Tasks;

// Step 1: Convert PDF page to PNG image (requires separate PDF library)
// This example assumes you've already converted the scanned PDF to an image
string imagePath = "document-scan.png";

// Step 2: Initialize Tesseract with language data files path
var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);

// Step 3: Load the input image and process
var img = Pix.LoadFromFile(imagePath);
var page = engine.Process(img);

// Step 4: Extract the recognized text
string extractedText = page.GetText();
Console.WriteLine($"Confidence: {page.GetMeanConfidence()}");
Console.WriteLine(extractedText);

// Optional: Get detailed results with bounding boxes
using (var iter = page.GetIterator())
{
    iter.Begin();
    do
    {
        if (iter.TryGetBoundingBox(PageIteratorLevel.Word, out var bounds))
        {
            var word = iter.GetText(PageIteratorLevel.Word);
            Console.WriteLine($"Word: {word} at {bounds}");
        }
    } while (iter.Next(PageIteratorLevel.Word));
}

// Clean up resources
page.Dispose();
img.Dispose();
engine.Dispose();

using Tesseract;
using System.Drawing;
using System.Threading.Tasks;

// Step 1: Convert PDF page to PNG image (requires separate PDF library)
// This example assumes you've already converted the scanned PDF to an image
string imagePath = "document-scan.png";

// Step 2: Initialize Tesseract with language data files path
var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);

// Step 3: Load the input image and process
var img = Pix.LoadFromFile(imagePath);
var page = engine.Process(img);

// Step 4: Extract the recognized text
string extractedText = page.GetText();
Console.WriteLine($"Confidence: {page.GetMeanConfidence()}");
Console.WriteLine(extractedText);

// Optional: Get detailed results with bounding boxes
using (var iter = page.GetIterator())
{
    iter.Begin();
    do
    {
        if (iter.TryGetBoundingBox(PageIteratorLevel.Word, out var bounds))
        {
            var word = iter.GetText(PageIteratorLevel.Word);
            Console.WriteLine($"Word: {word} at {bounds}");
        }
    } while (iter.Next(PageIteratorLevel.Word));
}

// Clean up resources
page.Dispose();
img.Dispose();
engine.Dispose();

このコードは、NuGetで利用可能な.NETラッパーを使用した標準的なTesseractのアプローチを示しています。 engine初期化には、言語データ ファイルを含むtessdataフォルダーへのパスが必要です。これらのファイルは、 tessdata リポジトリから個別にダウンロードする必要があります。 img割り当ては、入力イメージを Leptonica の PIX 形式で読み込みます。これは、メモリ リークを防ぐために慎重なメモリ管理を必要とするアンマネージ C++ オブジェクトです。 Processからのpage結果によって、実際の光学文字認識操作が実行されます。

実稼働環境では、複数ページのドキュメントを処理するには追加のオーケストレーションが必要です。

// Example: Processing multiple PDF pages (after conversion)
public async Task<string> ProcessMultiPagePdf(string[] imagePaths)
{
    var results = new StringBuilder();
    var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);

    foreach (var imagePath in imagePaths)
    {
        using (var img = Pix.LoadFromFile(imagePath))
        using (var page = engine.Process(img))
        {
            results.AppendLine($"Page confidence: {page.GetMeanConfidence():F2}");
            results.AppendLine(page.GetText());
            results.AppendLine("---");
        }
    }

    engine.Dispose();
    return results.ToString();
}

// Example: Processing multiple PDF pages (after conversion)
public async Task<string> ProcessMultiPagePdf(string[] imagePaths)
{
    var results = new StringBuilder();
    var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);

    foreach (var imagePath in imagePaths)
    {
        using (var img = Pix.LoadFromFile(imagePath))
        using (var page = engine.Process(img))
        {
            results.AppendLine($"Page confidence: {page.GetMeanConfidence():F2}");
            results.AppendLine(page.GetText());
            results.AppendLine("---");
        }
    }

    engine.Dispose();
    return results.ToString();
}

IronOCRはどのようにPDFや画像フォーマットを直接処理するのですか?

IronOCR はネイティブ PDF サポートを提供するため、スキャンしたドキュメントを中間画像形式に変換する必要がありません。 ライブラリは PDF レンダリングを内部的に処理し、 .NET アプリケーションのワークフローを簡素化します。 このアプローチは、パフォーマンスと信頼性が重要なエンタープライズ ドキュメント処理に役立ちます。 統合されたTesseract 5 エンジンは、クロスプラットフォームの互換性を維持しながら、以前のバージョンよりも精度が向上しています。

using IronOcr;
using System.Linq;

// Initialize the OCR engine (improved Tesseract 5)
var ocr = new IronTesseract();

// Configure for improved accuracy
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
ocr.Configuration.ReadBarCodes = true; // Also detect barcodes/QR codes

// Load PDF document directly - no conversion needed
var input = new OcrInput();
input.LoadPdf("scanned-document.pdf", Password: "optional-password");

// Optional: Pre-process for better accuracy on low-quality scans
input.DeNoise();  // Remove noise from scanned paper documents
input.Deskew();   // Fix rotation from images captured at angles
input.EnhanceResolution(300); // Ensure improved DPI

// Extract text from all pages and create searchable data
OcrResult result = ocr.Read(input);

// Access detailed results
Console.WriteLine($"Overall Confidence: {result.Confidence}%");
Console.WriteLine($"Pages Processed: {result.Pages.Count()}");
Console.WriteLine(result.Text);

// Export as searchable PDF
result.SaveAsSearchablePdf("searchable-output.pdf");

using IronOcr;
using System.Linq;

// Initialize the OCR engine (improved Tesseract 5)
var ocr = new IronTesseract();

// Configure for improved accuracy
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
ocr.Configuration.ReadBarCodes = true; // Also detect barcodes/QR codes

// Load PDF document directly - no conversion needed
var input = new OcrInput();
input.LoadPdf("scanned-document.pdf", Password: "optional-password");

// Optional: Pre-process for better accuracy on low-quality scans
input.DeNoise();  // Remove noise from scanned paper documents
input.Deskew();   // Fix rotation from images captured at angles
input.EnhanceResolution(300); // Ensure improved DPI

// Extract text from all pages and create searchable data
OcrResult result = ocr.Read(input);

// Access detailed results
Console.WriteLine($"Overall Confidence: {result.Confidence}%");
Console.WriteLine($"Pages Processed: {result.Pages.Count()}");
Console.WriteLine(result.Text);

// Export as searchable PDF
result.SaveAsSearchablePdf("searchable-output.pdf");

IronTesseractクラスは、.NET Coreおよび.NET Framework環境向けに特別に構築された、最適化されたTesseract 5エンジンをラップしています。 標準の.NETラッパーとは異なり、この実装はメモリ管理を自動的に処理し、.NETアプリケーションのパフォーマンス最適化を含んでいます。 OcrInputクラスは、LoadPdfメソッドを介してPDFファイルを直接受け入れ、ダウンロードする追加ライブラリを必要とせずに内部でページをレンダリングします。

DeNoise()とDeskew()メソッドは、画像前処理フィルタを適用し、背景のノイズや斑点、わずかな回転があるスキャン文書の精度を大幅に向上させることができます。 これらのフィルタは、理想的な条件下でキャプチャされたものではない、実際にスキャンされた紙文書を扱う場合に特に役立ちます。 OcrResultオブジェクトは、抽出されたプレーンテキストと、信頼度スコアや後処理の検証のための文字位置などの追加メタデータを含んでいます。 結果を検索可能なPDFまたはHTML形式で出力することもできます。

よりコントロールするために、開発者は特定のページ、あるいはPDFドキュメント内の領域を指定することができます：

using IronOcr;
using System.Drawing;

var ocr = new IronTesseract();

// Advanced configuration for specific document types
ocr.Configuration = new TesseractConfiguration()
{
    WhiteListCharacters = "0123456789.$,", // For financial documents
    BlackListCharacters = "`~", 
    PageSegmentationMode = TesseractPageSegmentationMode.SingleColumn
};

// Load specific pages from a PDF file (pages 1 and 2)
var input = new OcrInput();
input.LoadPdfPages("web-report.pdf", new[] { 0, 1 });

// Target specific regions for extraction (e.g., invoice totals)
var cropRegion = new CropRectangle(x: 100, y: 500, width: 400, height: 200);
foreach (var page in input.Pages)
{
    page.AddCropRegion(cropRegion);
}

// Perform OCR and get searchable text
OcrResult result = ocr.Read(input);

// Access structured data
foreach (var page in result.Pages)
{
    Console.WriteLine($"Page {page.PageNumber}:");
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"  Paragraph (Confidence: {paragraph.Confidence}%):");
        Console.WriteLine($"  {paragraph.Text}");
    }
}

using IronOcr;
using System.Drawing;

var ocr = new IronTesseract();

// Advanced configuration for specific document types
ocr.Configuration = new TesseractConfiguration()
{
    WhiteListCharacters = "0123456789.$,", // For financial documents
    BlackListCharacters = "`~", 
    PageSegmentationMode = TesseractPageSegmentationMode.SingleColumn
};

// Load specific pages from a PDF file (pages 1 and 2)
var input = new OcrInput();
input.LoadPdfPages("web-report.pdf", new[] { 0, 1 });

// Target specific regions for extraction (e.g., invoice totals)
var cropRegion = new CropRectangle(x: 100, y: 500, width: 400, height: 200);
foreach (var page in input.Pages)
{
    page.AddCropRegion(cropRegion);
}

// Perform OCR and get searchable text
OcrResult result = ocr.Read(input);

// Access structured data
foreach (var page in result.Pages)
{
    Console.WriteLine($"Page {page.PageNumber}:");
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"  Paragraph (Confidence: {paragraph.Confidence}%):");
        Console.WriteLine($"  {paragraph.Text}");
    }
}

LoadPdfPagesメソッドは、ゼロベースのページインデックス値の配列を受け入れ、すべてのページをメモリに読み込むことなく、大きなPDF文書の選択的な処理を可能にします。 また、API は、同じドキュメント内の複数の言語を認識するように Tesseract を構成する追加の言語パックを通じて、複数の言語をサポートします。 領域ベースの抽出機能は、請求書、フォーム、財務諸表などの構造化ドキュメントの処理に不可欠です。 トリミング領域機能を使用すると、ヘッダー、フッター、データ テーブルなどの特定の領域をターゲットにすることができます。

Install-Package IronOcr

Install-Package IronOcr

Install-Package IronOcr.Extensions.AdvancedScan

# For specific languages
Install-Package IronOcr.Languages.French
Install-Package IronOcr.Languages.Japanese

Install-Package IronOcr.Extensions.AdvancedScan

# For specific languages
Install-Package IronOcr.Languages.French
Install-Package IronOcr.Languages.Japanese

using IronOcr;
using System;
using System.Threading.Tasks;

public class PdfOcrService
{
    private readonly IronTesseract _ocr;

    public PdfOcrService()
    {
        _ocr = new IronTesseract();

        // Subscribe to progress events
        _ocr.OcrProgress += (sender, e) => 
        {
            Console.WriteLine($"Processing page {e.PagesComplete}/{e.TotalPages} - {e.ProgressPercent}%");
        };
    }

    public async Task<OcrResult> ProcessPdfWithErrorHandling(string pdfPath)
    {
        try
        {
            var input = new OcrInput();

            // Check file size for large documents
            var fileInfo = new System.IO.FileInfo(pdfPath);
            if (fileInfo.Length > 100_000_000) // 100MB
            {
                // Use lower DPI for large files
                input.TargetDPI = 150;
            }

            input.LoadPdf(pdfPath);

            // Apply filters based on document quality assessment
            if (RequiresPreprocessing(input))
            {
                input.DeNoise();
                input.Deskew();
                input.EnhanceResolution(300);
            }

            // Process with timeout protection
            using (var cts = new System.Threading.CancellationTokenSource(TimeSpan.FromMinutes(5)))
            {
                return await _ocr.ReadAsync(input, cts.Token);
            }
        }
        catch (Exception ex)
        {
            // Log and handle specific exceptions
            throw new ApplicationException($"OCR processing failed: {ex.Message}", ex);
        }
    }

    private bool RequiresPreprocessing(OcrInput input)
    {
        // Implement quality assessment logic
        return true;
    }
}

using IronOcr;
using System;
using System.Threading.Tasks;

public class PdfOcrService
{
    private readonly IronTesseract _ocr;

    public PdfOcrService()
    {
        _ocr = new IronTesseract();

        // Subscribe to progress events
        _ocr.OcrProgress += (sender, e) => 
        {
            Console.WriteLine($"Processing page {e.PagesComplete}/{e.TotalPages} - {e.ProgressPercent}%");
        };
    }

    public async Task<OcrResult> ProcessPdfWithErrorHandling(string pdfPath)
    {
        try
        {
            var input = new OcrInput();

            // Check file size for large documents
            var fileInfo = new System.IO.FileInfo(pdfPath);
            if (fileInfo.Length > 100_000_000) // 100MB
            {
                // Use lower DPI for large files
                input.TargetDPI = 150;
            }

            input.LoadPdf(pdfPath);

            // Apply filters based on document quality assessment
            if (RequiresPreprocessing(input))
            {
                input.DeNoise();
                input.Deskew();
                input.EnhanceResolution(300);
            }

            // Process with timeout protection
            using (var cts = new System.Threading.CancellationTokenSource(TimeSpan.FromMinutes(5)))
            {
                return await _ocr.ReadAsync(input, cts.Token);
            }
        }
        catch (Exception ex)
        {
            // Log and handle specific exceptions
            throw new ApplicationException($"OCR processing failed: {ex.Message}", ex);
        }
    }

    private bool RequiresPreprocessing(OcrInput input)
    {
        // Implement quality assessment logic
        return true;
    }
}

// Process different document types with optimized settings
var ocr = new IronTesseract();

// For license plates
var licensePlateResult = ocr.ReadLicensePlate("car-photo.jpg");
Console.WriteLine($"License Plate: {licensePlateResult.Text}");

// For passports with MRZ
var passportResult = ocr.ReadPassport("passport-scan.pdf");
Console.WriteLine($"Passport Number: {passportResult.PassportNumber}");
Console.WriteLine($"Name: {passportResult.GivenNames} {passportResult.Surname}");

// For handwritten text
var handwritingResult = ocr.ReadHandwriting("handwritten-note.png");
Console.WriteLine($"Handwriting: {handwritingResult.Text}");

// For MICR cheques
var chequeResult = ocr.ReadMicrCheque("cheque-image.tiff");
Console.WriteLine($"Account: {chequeResult.AccountNumber}");
Console.WriteLine($"Routing: {chequeResult.RoutingNumber}");

// Process different document types with optimized settings
var ocr = new IronTesseract();

// For license plates
var licensePlateResult = ocr.ReadLicensePlate("car-photo.jpg");
Console.WriteLine($"License Plate: {licensePlateResult.Text}");

// For passports with MRZ
var passportResult = ocr.ReadPassport("passport-scan.pdf");
Console.WriteLine($"Passport Number: {passportResult.PassportNumber}");
Console.WriteLine($"Name: {passportResult.GivenNames} {passportResult.Surname}");

// For handwritten text
var handwritingResult = ocr.ReadHandwriting("handwritten-note.png");
Console.WriteLine($"Handwriting: {handwritingResult.Text}");

// For MICR cheques
var chequeResult = ocr.ReadMicrCheque("cheque-image.tiff");
Console.WriteLine($"Account: {chequeResult.AccountNumber}");
Console.WriteLine($"Routing: {chequeResult.RoutingNumber}");

開発者はどのソリューションを選択すべきですか?

TesseractとIronOCRのどちらを選択するかは、特定のプロジェクトの要件と制約によって決まります。

Tesseractをお選びください：

• 予算の制約により無料のソリューションが必要
• 画像ファイルのみを扱う
• プロジェクトタイムラインによりセットアップのトラブルシューティングが可能
• カスタムOCRエンジンのトレーニングが必要です
• チームはC++相互運用性の経験がある
• カスタム辞書が必要です

IronOCRをお選びください：

• PDFファイルとスキャンした文書が主な入力フォーマットです。
• 開発時間とコードの簡素化が優先されます。
• Azure、Docker、Linuxへのクロスプラットフォーム展開が必要です。
• 組み込みの前処理機能により、実際のスキャンでの精度が向上します。
• 商用サポート、ドキュメント、定期的な更新が価値を提供します。
• プロジェクトでは、複数言語サポートやパスワードで保護されたPDFハンドリングなどの機能が必要です。
• スキャンした紙文書から検索可能なPDF出力を作成する必要があります。

どちらのソリューションも、光学文字認識の中核として Tesseract の OCR エンジンを使用しています。 ただし、IronOCR はネイティブ .NET 統合、組み込みの前処理フィルター、および直接 PDF サポートによって機能を拡張し、開発者が運用 .NET アプリケーションで OCR を実装する際に遭遇する一般的な問題点に対処します。 ライセンス モデルには、使用要件に基づいたアップグレードおよび拡張のオプションが含まれています。

IronOCRとIronBarcode の両方を評価しているチームにとって、統合された機能により、単一のソリューションで完全なドキュメント処理機能が提供されます。

.NET 開発者にとっての肝心なことは何でしょうか?

無料トライアルを開始してIronOCRを特定のPDF文書で評価するか、ライセンスオプションを確認して本番展開を行ってください。

BRACKET-i-OPEN--Googleは各所有者の登録商標です。 このサイトは、Google と提携しているわけでも、Google が推奨しているわけでも、Google がスポンサーしているわけでもありません。 すべての製品名、ロゴ、およびブランドは各所有者の所有物です。 比較は情報提供のみを目的としており、執筆時点で公開されている情報を反映しています。