Tesseract OCR vs. IronOCR: C#でPDFテキストを抽出する

TesseractとIronOCRのどちらを選ぶべきか、迅速な判断基準は何ですか？

予算の制約から無料のソリューションが必要な場合、入力が画像ファイルのみの場合、そしてチームに追加のセットアップや依存関係の作業を行う余裕がある場合は、 Tesseractを選択してください。

PDF文書やスキャンファイルが主な入力データである場合、開発速度が重要な場合、または依存関係のトラブルシューティングなしにAzure、Docker、Linuxへのクロスプラットフォーム展開が必要な場合は、 IronOCRを選択してください。

これらのOCRソリューションは、機能ごとにどのように比較できるのでしょうか？

実装の詳細に入る前に、スキャンしたPDFファイルからのテキスト認識における主要な機能について、比較表を以下に示します。

IronOCRは、特に検索可能なPDF生成やバーコード認識を必要とするEnterprise文書管理において、より包括的なPDF処理機能を提供します。

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PDFページをPNGまたはJPEG画像に変換する必要がある。 このプロセスでは、各ページを変換するためにGhostscriptや専用のPDFレンダリングライブラリなどの追加ライブラリが必要となり、本番環境のパイプラインに複雑さと障害発生箇所が増える。

以下は、C# で PDF からテキストを抽出する標準的な Tesseract ワークフローの簡略化された例です。

using Tesseract;

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

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

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

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

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

using Tesseract;

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

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

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

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

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

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。このフォルダーは、 tessdata リポジトリから別途ダウンロードする必要があります。 img 変数は、入力画像を Leptonica の PIX フォーマットで読み込みます。これは、メモリ リークを防ぐために明示的な破棄が必要な、管理されていない C++ オブジェクトです。 page という結果は、実際の文字認識操作を実行します。

using Tesseract;
using System.Text;

// Processing multiple PDF pages after prior PDF-to-image conversion
static string ProcessMultiPagePdf(string[] imagePaths)
{
    var results = new StringBuilder();
    using 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("---");
    }

    return results.ToString();
}

using Tesseract;
using System.Text;

// Processing multiple PDF pages after prior PDF-to-image conversion
static string ProcessMultiPagePdf(string[] imagePaths)
{
    var results = new StringBuilder();
    using 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("---");
    }

    return results.ToString();
}

IronOCRはC#でPDFを直接処理するにはどうすればよいですか？

IronOCRはPDFをネイティブでサポートしているため、スキャンした文書を中間画像形式に変換する必要がありません。 このライブラリはPDFレンダリングを内部的に処理するため、 .NET 10アプリケーションのワークフローが簡素化されます。 この統合的なアプローチは、パフォーマンスと信頼性が重要な要件となるEnterprise文書処理において特に有効であることが証明されています。

using IronOcr;

// Initialize the OCR engine (built on optimized Tesseract 5)
var ocr = new IronTesseract();
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
ocr.Configuration.ReadBarCodes = true; // Detect barcodes and QR codes alongside text

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

// Apply preprocessing for low-quality scans
input.DeNoise();              // Remove background noise from scanned paper
input.Deskew();               // Correct rotation from camera angle
input.EnhanceResolution(300); // Ensure adequate DPI for accurate recognition

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

Console.WriteLine($"Confidence: {result.Confidence}%");
Console.WriteLine($"Pages: {result.Pages.Count()}");
Console.WriteLine(result.Text);

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

using IronOcr;

// Initialize the OCR engine (built on optimized Tesseract 5)
var ocr = new IronTesseract();
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
ocr.Configuration.ReadBarCodes = true; // Detect barcodes and QR codes alongside text

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

// Apply preprocessing for low-quality scans
input.DeNoise();              // Remove background noise from scanned paper
input.Deskew();               // Correct rotation from camera angle
input.EnhanceResolution(300); // Ensure adequate DPI for accurate recognition

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

Console.WriteLine($"Confidence: {result.Confidence}%");
Console.WriteLine($"Pages: {result.Pages.Count()}");
Console.WriteLine(result.Text);

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

IronTesseract クラスは、 .NET Coreおよび.NET Framework環境向けに最適化された Tesseract 5 エンジンをラップします。 標準の.NETラッパーとは異なり、この実装ではメモリを自動的に管理し、 .NETアプリケーション向けに最適化されたパフォーマンス機能が含まれています。 OcrInput クラスは、LoadPdf を介してPDF ファイルを直接受け入れ、追加のライブラリをダウンロードまたは構成する必要なく、内部でページをレンダリングします。

DeNoise() および Deskew() メソッドは、ノイズ、斑点、または回転アーティファクトのある実際のスキャン文書の精度を大幅に向上させる組み込みの前処理フィルタを適用します。 OcrResult オブジェクトには、抽出されたテキストと、後処理検証のための信頼度スコアおよび文字位置が含まれています。 また、単一のメソッド呼び出しで結果を検索可能なPDFとしてエクスポートすることもできます。これは、Tesseractでは追加ライブラリなしでは実現できません。

より詳細な制御を行うには、特定のページまたはドキュメント領域を対象とすることができます。

using IronOcr;
using System.Drawing;

var ocr = new IronTesseract();

// Restrict character recognition to digits and currency symbols for financial docs
ocr.Configuration = new TesseractConfiguration
{
    WhiteListCharacters = "0123456789.$,",
    PageSegmentationMode = TesseractPageSegmentationMode.SingleColumn
};

// Load only the first two pages from a financial report
using var input = new OcrInput();
input.LoadPdfPages("financial-report.pdf", new[] { 0, 1 });

// Target a specific crop region, such as an invoice total field
var cropRegion = new CropRectangle(x: 100, y: 500, width: 400, height: 200);
foreach (var page in input.Pages)
    page.AddCropRegion(cropRegion);

OcrResult result = ocr.Read(input);

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

using IronOcr;
using System.Drawing;

var ocr = new IronTesseract();

// Restrict character recognition to digits and currency symbols for financial docs
ocr.Configuration = new TesseractConfiguration
{
    WhiteListCharacters = "0123456789.$,",
    PageSegmentationMode = TesseractPageSegmentationMode.SingleColumn
};

// Load only the first two pages from a financial report
using var input = new OcrInput();
input.LoadPdfPages("financial-report.pdf", new[] { 0, 1 });

// Target a specific crop region, such as an invoice total field
var cropRegion = new CropRectangle(x: 100, y: 500, width: 400, height: 200);
foreach (var page in input.Pages)
    page.AddCropRegion(cropRegion);

OcrResult result = ocr.Read(input);

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

LoadPdfPages メソッドはゼロベースのページインデックスを受け入れるため、すべてのページをメモリに読み込むことなく、大きなドキュメントを選択的に処理できます。 地域ベースの抽出は、請求書や財務諸表などの構造化文書において、特定のフィールドのみを抽出する必要がある場合に不可欠です。 文字ホワイトリストの設定により、文書に既知の文字セットが含まれている場合に誤検出を防ぐことができます。

using IronOcr;

var ocr = new IronTesseract();

// Extract text from a vehicle license plate
var licensePlateResult = ocr.ReadLicensePlate("car-photo.jpg");
Console.WriteLine($"License Plate: {licensePlateResult.Text}");

// Read passport MRZ fields from a scanned document
var passportResult = ocr.ReadPassport("passport-scan.pdf");
Console.WriteLine($"Number: {passportResult.PassportNumber}");
Console.WriteLine($"Name: {passportResult.GivenNames} {passportResult.Surname}");

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

using IronOcr;

var ocr = new IronTesseract();

// Extract text from a vehicle license plate
var licensePlateResult = ocr.ReadLicensePlate("car-photo.jpg");
Console.WriteLine($"License Plate: {licensePlateResult.Text}");

// Read passport MRZ fields from a scanned document
var passportResult = ocr.ReadPassport("passport-scan.pdf");
Console.WriteLine($"Number: {passportResult.PassportNumber}");
Console.WriteLine($"Name: {passportResult.GivenNames} {passportResult.Surname}");

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

セットアップとワークフローの主な違いは何ですか?

Install-Package IronOcr

Install-Package IronOcr

# Advanced scanning algorithms (optional)
Install-Package IronOcr.Extensions.AdvancedScan

# Language packs install as needed
Install-Package IronOcr.Languages.French
Install-Package IronOcr.Languages.Japanese

# Advanced scanning algorithms (optional)
Install-Package IronOcr.Extensions.AdvancedScan

# Language packs install as needed
Install-Package IronOcr.Languages.French
Install-Package IronOcr.Languages.Japanese

using IronOcr;

async Task<OcrResult> ProcessPdfAsync(string pdfPath)
{
    var ocr = new IronTesseract();

    // Report progress to the caller for user feedback in batch workflows
    ocr.OcrProgress += (sender, e) =>
        Console.WriteLine($"Page {e.PagesComplete}/{e.TotalPages}: {e.ProgressPercent}%");

    using var input = new OcrInput();

    // Use a lower DPI for very large files to reduce memory pressure
    if (new System.IO.FileInfo(pdfPath).Length > 100_000_000)
        input.TargetDPI = 150;

    input.LoadPdf(pdfPath);
    input.DeNoise();
    input.Deskew();

    // Cancel automatically after 5 minutes to prevent resource exhaustion
    using var cts = new System.Threading.CancellationTokenSource(TimeSpan.FromMinutes(5));
    return await ocr.ReadAsync(input, cts.Token);
}

using IronOcr;

async Task<OcrResult> ProcessPdfAsync(string pdfPath)
{
    var ocr = new IronTesseract();

    // Report progress to the caller for user feedback in batch workflows
    ocr.OcrProgress += (sender, e) =>
        Console.WriteLine($"Page {e.PagesComplete}/{e.TotalPages}: {e.ProgressPercent}%");

    using var input = new OcrInput();

    // Use a lower DPI for very large files to reduce memory pressure
    if (new System.IO.FileInfo(pdfPath).Length > 100_000_000)
        input.TargetDPI = 150;

    input.LoadPdf(pdfPath);
    input.DeNoise();
    input.Deskew();

    // Cancel automatically after 5 minutes to prevent resource exhaustion
    using var cts = new System.Threading.CancellationTokenSource(TimeSpan.FromMinutes(5));
    return await ocr.ReadAsync(input, cts.Token);
}

TesseractとIronOCRのライセンスの違いは何ですか？

ライセンスモデルは、両ライブラリ間の最も根本的な違いであり、総所有コストと長期的なメンテナンス負担に直接影響を与える。

.NETアプリケーションにはどのOCRライブラリを選択すべきか？

TesseractとIronOCRのどちらを選択するかは、プロジェクトの入力フォーマット、導入対象、およびチームのリソースによって異なります。

Tesseractを選ぶべき場面：

予算の制約上、完全無料のオープンソースソリューションが求められる。 入力内容は画像ファイルのみで、PDF文書は含まれません。 ・貴チームはC++の相互運用に関する経験と依存関係管理能力を有しています。

• カスタムOCRエンジンのトレーニングまたは専門的な辞書サポートが必要です プロジェクトのタイムラインにより、追加のセットアップとトラブルシューティング作業が可能になります。

IronOCRを選ぶべき場面：

• 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。 開発スピードと最小限の定型コードが優先事項です クラウド環境、Docker、またはLinuxへのクロスプラットフォーム展開が必要です ・組み込みの前処理フィルターにより、実世界のスキャンにおける精度が向上する。
• 商用サポートと定期的なアップデートにより、製品の価値が高まります。 パスワードで保護されたPDFファイルまたは多言語文書が必要です スキャンした文書から検索可能なPDF出力を生成する必要があります

どちらのライブラリも、認識の中核としてTesseractのOCRエンジンを使用しています。 IronOCRは、ネイティブな.NET統合、自動メモリ管理、組み込みの前処理、および直接的なPDFサポートによって機能を拡張し、本番環境 for .NETアプリケーションでOCRパイプラインを構築する際に発生する一般的な問題点を解決します。 アーキテクチャ上の違いは、規模が大きくなるにつれて最も顕著になる。Tesseractベースのパイプラインでは複数のライブラリの依存関係を管理する必要があるのに対し、 IronOCRパイプラインでは単一のNuGetパッケージに解決される。

次のステップは何ですか?

IronOCRの無料トライアルを開始して、ご自身の文書を使ってPDFテキスト抽出機能を評価してみてください。 特定のシナリオに関するより詳細な情報については、 PDF入力ガイド、画像前処理フィルター、および検索可能なPDFエクスポートドキュメントを参照してください。 本番環境への導入計画のために、 IronOCRのライセンスオプションを確認してください。