ビデオ

TesseractOCRからIronOCRへの移行｜IronOCR

Kannaopat Udonpant
Kannapat Udonpant
Updated: 2026年8月1日

このガイドでは、.NET開発者がTesseractOCR NuGetパッケージ（Sicos1977/Kees van Speldeのフォーク）からIronOCRへ完全に移行する手順を解説します。 これには、外部の前処理依存関係の削除、ネイティブPDF入力および検索可能なPDF出力の有効化、名前空間とAPI呼び出しの更新、移行後の統合の検証など、完全な置換プロセスが含まれます。 比較記事を事前に読む必要はありません。

TesseractOCRからの移行理由

TesseractOCRは、最新 for .NETを対象とし、Tesseract 5のネイティブライブラリをバンドルした、活発にメンテナンスされているコミュニティ製ラッパーです。 古いラッパーからこれへアップグレードすることで、フレームワークの互換性問題が解決されます。 これは、ラッパー層の下にあるアーキテクチャ上のギャップを解決するものではありません。 本番環境でそうした課題が表面化すると、移行の検討が始まります。

前処理はライブラリの外部で完全に行われます。TesseractOCRは、提供されたピクセルに対して engine.Process(image) を呼び出します。 斜めにスキャンされた画像、コントラストの低いファックス、レシートをスマホで撮影した写真――これらすべてが、Tesseractエンジンにそのまま入力されます。 使用可能な出力を回復するには、SixLabors.ImageSharp、SkiaSharp、または類似のイメージライブラリを追加し、ドキュメントタイプごとに調整されたパラメータで手動フィルターチェーンを作成し、TesseractOCR.Pix.Image がファイルパスを期待するため、前処理された画像を一時ファイルでルーティングする必要があります。 標準的な .NET Standard 画像処理ライブラリには、スキュー補正機能は一切含まれていません。これを実現するには、ハフ変換による角度検出アルゴリズムをゼロから実装する必要があり、通常、50～100行の追加コードが必要となります。 これは1回限りの初期費用ではなく、新しいドキュメントタイプがパイプラインに追加されるたびに発生する費用です。

PDFの入力には、別のライブラリと一時ファイルのパイプラインが必要です。TesseractOCRはPDFではなく画像を処理します。 どのPDFワークフローでも、PDFページをBGRAバイト配列としてレンダリングするための追加パッケージ（Docnet.Core、PdfiumViewerなど）、それらのバイトをTesseractOCRが読み取れる形式に変換するヘルパーメソッド、そしてループ全体を囲む一時ファイルの作成およびクリーンアップロジックが必要となります。その結果、PDF OCR操作のたびに約100行のインフラストラクチャコードが生成されることになります。 パスワード保護されたPDFには、処理前に単に復号するためだけにサードライブラリ（AGPLライセンスのiText、またはPDFSharp）が必要です。

検索可能なPDF出力にはパスがありません。スキャンした文書から機械可読なPDFを作成する必要があるチーム（文書管理、アーカイブ、コンプライアンスワークフローでは一般的な要件です）は、TesseractOCRにはそのための仕組みがないことに気づきます。 SaveAsSearchablePdf() はなく、hOCR-to-PDF パイプラインもなく、抽出されたテキスト以外の出力形式もありません。 この機能を追加するには、別のPDFライブラリを導入するか、TesseractOCRを完全に廃止する必要があります。

TIFFのマルチフレーム文書には、手動でのページループが必要です。FAXワークフローやドキュメントスキャナーで一般的な複数ページのTIFFファイルについては、TesseractOCRにはネイティブなマルチフレーム処理機能がありません。 すべてのフレームを抽出するには、外部ライブラリを使用してTIFFを読み込み、フレームを順次処理し、それぞれを一時ファイルに保存し、各一時ファイルを個別にOCRエンジンに通す必要があります。

コミュニティの規模により、実用的なサポートには限界があります。TesseractOCRのNuGetダウンロード数は約20万件です。 .NET Tesseract ラッパーに関する Stack Overflow、ブログ投稿、GitHub の問題スレッドは、圧倒的に charlesw API - TesseractEngine, Pix.LoadFromFile - を参照しています。 Sicos1977 API ではありません。 TesseractOCR特有の問題に対する実用的なトラブルシューティングは、すぐにこの壁にぶつかります。

基本的な問題

TesseractOCRには前処理機能がなく、PDFにも対応していません。 本番環境のドキュメント処理ワークフローでは、OCRを実行できる段階に至るだけでも、結局は外部ライブラリが必要となります：

// TesseractOCR: three packages, a temp file, and manual byte conversion
// just to OCR one PDF page — before any preprocessing
// dotnet add package TesseractOCR
// dotnet add package Docnet.Core
// dotnet add package SixLabors.ImageSharp   (preprocessing)

using var library = DocLib.Instance;
using var docReader = library.GetDocReader(pdfPath, new PageDimensions(200, 200));
using var pageReader = docReader.GetPageReader(0);
var bytes = pageReader.GetImage(); // BGRA — not a format Pix.Image accepts directly

string tempPath = Path.GetTempFileName() + ".png";
SaveBgraAsPng(bytes, pageReader.GetPageWidth(), pageReader.GetPageHeight(), tempPath);
// ^ 30+ line helper method needed here

using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
using var image = TesseractOCR.Pix.Image.LoadFromFile(tempPath);
using var page = engine.Process(image);
string text = page.Text;
File.Delete(tempPath); // hope this succeeds
// IronOCR: one package, three lines, preprocessing automatic
// dotnet add package IronOcr

var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadPdf(pdfPath);
string text = ocr.Read(input).Text;

IronOCR 対 TesseractOCR：機能比較

以下の表は、移行の評価において最も重要な機能をまとめたものです。

フィーチャーTesseractOCRIronOCR
NuGetパッケージTesseractOCRIronOcr
.NET互換性.NET 6.0、7.0、8.0.NET Framework 4.6.2 以降、.NET Core、.NET 5/6/7/8/9
ライセンスアパッチ2.0（無料）商用（永続、$999から）
Tessdata管理必須（GitHubからの手動ダウンロード）不要（内部で同梱済み）
組み込みの前処理None傾き補正、ノイズ除去、コントラスト補正、二値化、シャープ化、拡大縮小、膨張、収縮、反転
深い背景ノイズの除去なしはい (DeepCleanBackgroundNoise())
ネイティブPDF入力いいえ（Docnet.Core または類似のライブラリが必要です）はい (input.LoadPdf())
パスワードで保護されたPDFいいえ（復号化にはサードパーティ製ライブラリが必要です）はい（単一の Password パラメータ）
検索可能なPDF出力なしはい (result.SaveAsSearchablePdf())
マルチフレームTIFF入力いいえ（外部フレームの抽出が必要）はい (input.LoadImageFrames())
ストリームとバイト配列の入力いいえ（一時ファイルによる仲介が必要）はい（直接 LoadImage(bytes)）
スレッドセーフティいいえ（スレッドごとに1つのエンジンインスタンス）はい（スレッド間で共有される単一の IronTesseract）
地域ベースのOCRなしはい (CropRectangle)
OCR中のバーコード読み取りなしはい (ocr.Configuration.ReadBarCodes = true)
構造化された出力（ページ数、WORD数、座標）なし（プレーンテキストのみ）はい (Words、X/Y付き）
信頼度スコアドキュメントレベルの浮動小数点数 (0.0–1.0)文書およびWORDレベルの二重チェック (0–100)
hOCRエクスポートなしはい
125以上の言語に対応したNuGetパッケージなしはい
クロスプラットフォーム展開Windows、Linux、macOSWindows、Linux、macOS、Docker、Azure、AWS
商用サポートいいえ（単一のボランティアメンテナー）はい（メール、SLAオプション）

クイックスタート：TesseractOCR から IronOCR への移行

ステップ 1: NuGet パッケージを置き換える

TesseractOCRおよびそれをサポートするために追加されたライブラリを削除してください：

dotnet remove package TesseractOCR
dotnet remove package Docnet.Core
dotnet remove package SixLabors.ImageSharp
SHELL

NuGetからIronOCRをインストールしてください。

> dotnet add package IronOcr

ステップ 2: 名前空間の更新

すべてのTesseractOCR名前空間インポートをIronOCRに置き換えます：

// Before (TesseractOCR)
using TesseractOCR;
using TesseractOCR.Enums;

// After (IronOCR)
using IronOcr;

ステップ 3: ライセンスの初期化

アプリケーションの起動時、OCR呼び出しの前に、ライセンスの初期化を一度実行してください：

IronOcr.License.LicenseKey = "YOUR-LICENSE-KEY";

IronOCRのライセンスページから、評価用の無料トライアルライセンスを入手できます。

コード移行の例

外部前処理パイプラインの置き換え

TesseractOCRは、ドキュメントの品質を向上させるために、外部の画像処理ライブラリを必要とします。 以下のコードは、ドキュメントの品質が一定でない場合にチームが記述するパターンを示しています。具体的には、グレースケール変換、コントラスト調整、ノイズ除去、そしてOCRを実行する前に一時ファイルへの書き込みが行われます。 スキュー補正（スキャン画像の傾き補正）は、標準的な .NET Standard 画像処理ライブラリでは利用できず、別途アルゴリズムが必要です。

TesseractOCRのアプローチ：

// Requires: dotnet add package SixLabors.ImageSharp
// Manual preprocessing — parameters must be tuned per document type
// Deskew is NOT in ImageSharp — requires custom Hough transform (~50-100 lines)

using SixLabors.ImageSharp;
using SixLabors.ImageSharp.Processing;
using TesseractOCR;
using TesseractOCR.Enums;

public string ExtractFromLowQualityScan(string imagePath)
{
    using var image = Image.Load(imagePath);

    image.Mutate(x => x.Grayscale());
    image.Mutate(x => x.Contrast(1.5f));          // manual tuning required
    image.Mutate(x => x.GaussianBlur(0.5f));      // noise reduction approximation
    image.Mutate(x => x.BinaryThreshold(0.5f));   // threshold requires per-doc adjustment

    // Deskew omitted — no built-in support, ~80 lines of additional code

    string tempPath = Path.GetTempFileName() + ".png";
    try
    {
        image.Save(tempPath);

        using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
        using var pix = TesseractOCR.Pix.Image.LoadFromFile(tempPath);
        using var page = engine.Process(pix);

        return page.Text;
    }
    finally
    {
        File.Delete(tempPath);
    }
}

IronOCRのアプローチ：

// なし external imaging library
// なし temp file — OcrInput accepts a path, stream, or byte array directly
// Deskew is built in — automatic angle detection and correction

using IronOcr;

public string ExtractFromLowQualityScan(string imagePath)
{
    using var input = new OcrInput();
    input.LoadImage(imagePath);
    input.Deskew();           // automatic angle correction
    input.DeNoise();          // intelligent noise removal
    input.Contrast();         // automatic contrast enhancement
    input.Binarize();         // clean black-and-white conversion

    var ocr = new IronTesseract();
    return ocr.Read(input).Text;
}

ImageSharpへの依存関係を排除することで、チューニングのサイクルを完全に排除できます。 OcrInput の前処理パイプラインは、文書 OCR 用に調整されたアルゴリズムを適用します - コントラストの乗数やぼかし半径の推測はありません。 画像フィルターのチュートリアルと画質補正ガイドでは、デフォルト設定の調整が必要な場合に備え、利用可能なすべてのフィルターとパラメーターオプションを網羅しています。

マルチフレーム TIFF 処理の置き換え

FAX文書、ドキュメントスキャナーの出力、およびアーカイブファイルは、多くの場合、複数ページのTIFFファイルとして届きます。 TesseractOCRにはマルチフレーム対応機能がありません。各フレームは外部ライブラリを使用して抽出し、ディスクに保存した後、1つずつエンジンに読み込む必要があります。一方、IronOCRは1回の呼び出しでTIFFファイル全体を読み込みます。

TesseractOCRのアプローチ：

// Requires: dotnet add package SixLabors.ImageSharp
// Manual frame extraction — every frame becomes a temp file on disk

using SixLabors.ImageSharp;
using SixLabors.ImageSharp.Formats.Tiff;
using TesseractOCR;
using TesseractOCR.Enums;

public string ExtractFromMultiPageTiff(string tiffPath)
{
    var allText = new System.Text.StringBuilder();
    var tempFiles = new List<string>();

    try
    {
        using var image = Image.Load(tiffPath);
        using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);

        for (int frameIndex = 0; frameIndex < image.Frames.Count; frameIndex++)
        {
            // Clone frame and save to temp file — no in-memory path
            using var frameImage = image.Frames.CloneFrame(frameIndex);
            string tempPath = Path.GetTempFileName() + ".png";
            tempFiles.Add(tempPath);
            frameImage.SaveAsPng(tempPath);

            using var pix = TesseractOCR.Pix.Image.LoadFromFile(tempPath);
            using var page = engine.Process(pix);

            allText.AppendLine($"=== Frame {frameIndex + 1} ===");
            allText.AppendLine(page.Text);
        }
    }
    finally
    {
        foreach (var f in tempFiles)
            try { File.Delete(f); } catch { }
    }

    return allText.ToString();
}

IronOCRのアプローチ：

// なし external library for frame extraction
// All frames processed in one Read() call — no manual loop required

using IronOcr;

public string ExtractFromMultiPageTiff(string tiffPath)
{
    var ocr = new IronTesseract();
    using var input = new OcrInput();
    input.LoadImageFrames(tiffPath);   // loads all frames automatically
    var result = ocr.Read(input);

    // Access per-page text if needed
    foreach (var page in result.Pages)
        Console.WriteLine($"Frame {page.PageNumber}: {page.Text}");

    return result.Text;
}

フレーム抽出ループ、一時ファイルリスト、finally のクリーンアップブロック - それらはすべてなくなります。 20ページのFAX TIFFの場合、これにより約40行が6行に置き換えられます。TIFFおよびGIFの入力ガイドでは、特定のフレーム範囲を含むマルチフレーム読み込みオプションについて解説しています。

検索可能なPDF出力の生成

このシナリオには、TesseractOCR における移行パスは存在しません。つまり、実現不可能です。 スキャンされたPDFを、機械可読かつテキスト選択可能なドキュメント（検索インデックス作成、アクセシビリティ、またはアーカイブ用）に変換するには、検索可能なPDFを出力する必要があります。 TesseractOCRは、抽出されたテキストのみを生成します。 IronOCRは、検索可能なPDFを直接生成します。

TesseractOCRのアプローチ：

// なし path available —TesseractOCRcannot produce any PDF output.
// The closest workaround requires a separate PDF library (iTextSharp AGPL,
// or similar) to overlay extracted text onto the original PDF manually.
// This is 150-300 lines of additional code and introduces AGPL license concerns.

// The best available output from TesseractOCR:
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
using var pix = TesseractOCR.Pix.Image.LoadFromFile("scanned-page.png");
using var page = engine.Process(pix);

string extractedText = page.Text; // flat string — no PDF output possible
File.WriteAllText("output.txt", extractedText);
// Cannot produce a searchable PDF — no API exists for this

IronOCRのアプローチ：

// Native searchable PDF output — no additional library required
// Input can be a scanned image, a scanned PDF, or a multi-page TIFF

using IronOcr;

public void CreateSearchablePdf(string scannedPdfPath, string outputPath)
{
    var ocr = new IronTesseract();
    using var input = new OcrInput();
    input.LoadPdf(scannedPdfPath);
    input.Deskew();     // improve accuracy before generating the output
    input.DeNoise();

    var result = ocr.Read(input);
    result.SaveAsSearchablePdf(outputPath);   // searchable, text-selectable PDF
}

SaveAsSearchablePdf() の呼び出しは、OCRテキストを元のスキャン画像の背後にある不可視のレイヤーとしてPDFに埋め込みます。 ドキュメントの外観はそのままに、全文検索、選択、インデックス作成が可能になります。 検索可能なPDFガイドにはAPIの全容が記載されており、検索可能なPDFサンプルでは完全な動作パターンを示しています。

バイト配列入力の置き換えと一時ファイルの排除

TesseractOCR の Pix.Image API はファイルパスを受け入れます。 画像データがデータベース、HTTPマルチパートアップロード、メモリキャッシュなどからバイト配列として到着した場合、TesseractOCRは処理の前に一時ファイルへの書き込みを強制します。 IronOCR の OcrInput は、直接バイト配列とストリームを受け入れ、一時ファイルのステップを完全に排除します。

TesseractOCRのアプローチ：

// TesseractOCR.Pix.Image has no byte[] or Stream overload
// Every in-memory image must be written to disk before processing

using TesseractOCR;
using TesseractOCR.Enums;

public string ExtractFromBytes(byte[] imageBytes)
{
    // Force a disk write just to satisfy the file-path API
    string tempPath = Path.GetTempFileName() + ".png";

    try
    {
        File.WriteAllBytes(tempPath, imageBytes);

        using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
        using var pix = TesseractOCR.Pix.Image.LoadFromFile(tempPath);
        using var page = engine.Process(pix);

        return page.Text;
    }
    finally
    {
        // Risk: if an exception fires between WriteAllBytes and Delete,
        // temp files accumulate on the server disk
        if (File.Exists(tempPath))
            File.Delete(tempPath);
    }
}

IronOCRのアプローチ：

// OcrInput accepts byte arrays and streams natively
// なし disk write, no temp file cleanup, no cleanup failure risk

using IronOcr;

public string ExtractFromBytes(byte[] imageBytes)
{
    var ocr = new IronTesseract();
    using var input = new OcrInput();
    input.LoadImage(imageBytes);   // direct byte array — no temp file
    return ocr.Read(input).Text;
}

public string ExtractFromStream(Stream imageStream)
{
    var ocr = new IronTesseract();
    using var input = new OcrInput();
    input.LoadImage(imageStream);  // direct stream — no intermediate buffer
    return ocr.Read(input).Text;
}

アップロードされたドキュメントを処理するWebアプリケーションにおいて、temp-fileパターンは負荷がかかるとディスク使用量を増加させ、クリーンアップコードが例外をスローした場合にレースコンディションを引き起こします。 ストリーム入力ガイド と 画像入力ガイド では、Bitmap 、ファイルパスを含むすべてのサポートされる入力形式をカバーしています。

構造化データを用いたWORDレベルの信頼度フィルタリング

TesseractOCR は1つのドキュメントレベルの信頼スコア（page.MeanConfidence、0.0から1.0の浮動小数点数）とフラットなテキスト文字列を返します。 単語ごとの信頼度、単語の位置情報、構造的な階層関係はありません。 不明確な単語にフラグを立てたり、特定の領域を抽出したり、テキストをドキュメントの座標にマッピングしたりするワークフローを構築するには、根本的に異なる出力モデルへの切り替えが必要です。

TesseractOCRのアプローチ：

// Only document-level confidence available
// なし word coordinates, no structural hierarchy

using TesseractOCR;
using TesseractOCR.Enums;

public void ProcessWithConfidence(string imagePath)
{
    using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
    using var pix = TesseractOCR.Pix.Image.LoadFromFile(imagePath);
    using var page = engine.Process(pix);

    float docConfidence = page.MeanConfidence; // 0.0 to 1.0 for the whole document

    if (docConfidence >= 0.7f)
        Console.WriteLine($"Accepted ({docConfidence:P0}): {page.Text}");
    else
        Console.WriteLine($"Rejected ({docConfidence:P0}): document needs preprocessing");

    // なし way to identify WHICH words are uncertain
    // なし word coordinates available
}

IronOCRのアプローチ：

// Per-word confidence and coordinate data
// Filter individual uncertain words without discarding the whole document

using IronOcr;

public void ProcessWithWordLevelConfidence(string imagePath)
{
    var ocr = new IronTesseract();
    using var input = new OcrInput();
    input.LoadImage(imagePath);
    var result = ocr.Read(input);

    Console.WriteLine($"Document confidence: {result.Confidence}%");

    // Iterate words and flag those below threshold
    foreach (var page in result.Pages)
    {
        foreach (var word in page.Words)
        {
            if (word.Confidence < 70)
            {
                // Low-confidence word — log position for review
                Console.WriteLine(
                    $"Low confidence word '{word.Text}' ({word.Confidence}%) " +
                    $"at X:{word.X} Y:{word.Y}");
            }
        }
    }

    // Extract only high-confidence text
    var reliableWords = result.Pages
        .SelectMany(p => p.Words)
        .Where(w => w.Confidence >= 70)
        .Select(w => w.Text);

    Console.WriteLine(string.Join(" ", reliableWords));
}

WORD単位の信頼度フィルタリングは、請求書処理、フォーム抽出、および不確実なテキストに対して処理を実行するよりもレビュー用にフラグを立てる方が望ましいあらゆるワークフローにおいて不可欠です。 信頼度スコアのガイドではスコアリングモデル全体を解説し、読み取り結果のガイドでは構造化された出力階層の全体像を記載しています。

##TesseractOCRAPI から IronOCR へのマッピングリファレンス

TesseractOCRIronOCRノート
new Engine(tessDataPath, Language.English, EngineMode.Default)new IronTesseract()tessdataパスなし； EngineModeの選択は不要
TesseractOCR.Pix.Image.LoadFromFile(path)input.LoadImage(path)また byte[] と Stream を受け入れます
engine.Process(pixImage)ocr.Read(input)OcrResult を返し、Pageを返しません
page.Textresult.Text同一の意味
page.MeanConfidence (0.0–1.0 float)result.Confidence (0–100 double)スケールが異なる - 更新閾値の比較
Language.English | Language.FrenchOcrLanguage.English + OcrLanguage.French加算演算子（ビット単位のORではない）
EngineMode.Default該当なしIronOCRは内部でモードを選択します
EngineMode.LstmOnly該当なし自動翻訳
TesseractOCR.Exceptions.TesseractExceptionIronOcr.Exceptions.OcrException処理すべき例外の種類が少なくなる
DllNotFoundException (native missing)該当なしIronOCRは、ネイティブな依存関係をバンドルしています
BadImageFormatException (arch mismatch)該当なし社内で対応済み
外部 Image.Mutate(x => x.Grayscale())input.Binarize()組み込み機能、外部ライブラリ不要
外部 Image.Mutate(x => x.Contrast(...))input.Contrast()自動キャリブレーション
外部ホフ変換による歪み補正input.Deskew()組み込み、1回のメソッド呼び出し
外部 GaussianBlur ノイズフィルタinput.DeNoise()インテリジェントなノイズ除去
DocLib.GetDocReader(pdfPath, ...)input.LoadPdf(pdfPath)Docnet.Coreは不要です
docReader.GetPageReader(i).GetImage() + 一時ファイルinput.LoadPdf(pdfPath)ループ全体を置換
input.LoadPdf(encrypted, Password: "...")単一のパラメータ - 他のライブラリは不要
該当なし（PDF出力なし）result.SaveAsSearchablePdf(outputPath)TesseractOCRには同等の機能はありません
該当なし（フレーム非対応）input.LoadImageFrames(tiffPath)1回の呼び出しでマルチフレームTIFFを生成
該当なし（ファイルパスのみ）input.LoadImage(stream) / input.LoadImage(bytes)一時ファイルのパターンを削除します
スレッドごとの Engine インスタンススレッド間で共有される単一の IronTesseractスレッドセーフ設計
page.MeanConfidence (document only)単語ごとの word.Confidence単語単位のスコア表示が可能

一般的な移行の問題と解決策

課題 1: 移行後に信頼度閾値が破損する

TesseractOCR: page.MeanConfidence は 0.0 から 1.0 の範囲の浮動小数点を返します。 コードは一般的に if (confidence >= 0.7f) をチェックして結果を受け入れます。

解決策：IronOCRは、0～100のスケールで信頼度を"ダブル"として報告します。 すべての既存の閾値を100倍します。 0.7f の閾値は 70.0 になります。 ドキュメントレベルの信頼性は result.Confidence にあります; 単語レベルの信頼性は result.Pages[n].Words 内の word.Confidence にあります。

// Before (TesseractOCR): page.MeanConfidence >= 0.7f
// After (IronOCR):
var result = new IronTesseract().Read("document.png");
if (result.Confidence >= 70.0)
{
    Console.WriteLine(result.Text);
}

課題 2: 移行の試行後に一時ディレクトリが満杯になる

TesseractOCR: Pix.Image.LoadFromFile() 制約の周りに書かれたコードは、よく一時ファイルを作成し、finally ブロックでこれをクリーンアップします。 もし finally ブロック自身が例外をスローした場合、またはアプリケーションが強制終了されると、一時ファイルが蓄積します。

ソリューション: すべての File.WriteAllBytes(tempPath, bytes) + Pix.Image.LoadFromFile(tempPath) パターンを input.LoadImage(bytes) または input.LoadImage(stream) に置き換えます。 コードが一時ファイルを作成しなくなったため、クリーンアップロジックおよび一時保存用のディレクトリ作成処理は完全に削除できます。 すべての発生を見つけるために GetTempPath、および SaveBgraAsPng を検索します。

grep -rn "GetTempFileName\|GetTempPath\|SaveBgraAsPng" --include="*.cs" .
SHELL
// Before: byte[] → temp file → Pix.Image.LoadFromFile
// After: byte[] → OcrInput directly
using var input = new OcrInput();
input.LoadImage(imageBytes);   // no disk write
var result = ocr.Read(input);

サポートされているすべての入力形式については、画像入力ガイドを参照してください。

問題 3: 言語演算子の変更によりコンパイラエラーが発生する

TesseractOCR: 多言語OCRは、フラグ列挙型に対してビット単位のOR演算を使用します: Language.English | 言語：フランス語 これは [Flags]` 列挙パターンです。

ソリューション: IronOCR は加算演算子を使用します: OcrLanguage.English + OcrLanguage.French。 これらは似ていますが、異なる演算子です。 言語式内の to+は、ケースの大部分を処理します。|言語式内の to + は、ケースの大部分を処理します。 ランタイムで構築された言語の組み合わせも + を使用していることを確認します。

// Before (TesseractOCR):
var engine = new Engine(@"./tessdata",
    Language.English | Language.French | Language.German,
    EngineMode.Default);

// After (IronOCR):
var ocr = new IronTesseract();
ocr.Language = OcrLanguage.English + OcrLanguage.French + OcrLanguage.German;

課題 4: アンインストール後も Docnet および ImageSharp パッケージが参照されたままになっている

TesseractOCR: PDFワークフローにTesseractOCRを使用するプロジェクトでは、通常、Docnet.Coreを直接の依存関係として持ち、前処理にはSixLabors.ImageSharpまたはSkiaSharpを使用します。 IronOCR に切り替えた後、using ステートメントが完全に削除されていないため、これらのパッケージは頻繁に .csproj に残ります。

ソリューション: .csproj からパッケージを削除した後、全ての using SixLabors.ImageSharp、および関連する名前空間の参照を検索します。 もし using ステートメントが依存関係ツリーに存在しなくなった名前空間を参照している場合、コンパイラーはそれらをフラグします - ただし、dotnet remove package コマンドが実際に実行された場合のみです。

grep -rn "using Docnet\|using SixLabors\|using SkiaSharp" --include="*.cs" .
SHELL

認識されたファイル参照を削除し、古いパイプラインに役立った前処理ヘルパーメソッド (SaveBgraAsPng, ApplyGrayscale, ApplyThreshold, および類似) を削除します。

課題 5: 移行後に Docker イメージのサイズが増加する

TesseractOCR: 一部の Docker 構成は、システムパッケージとして apt-get install tesseract-ocr tesseract-ocr-eng 経由で Tesseract をインストールし、それらのシステムバイナリを参照します。 これにより、言語パックに応じて画像サイズが約30～80MB増加します。

解決策：IronOCRは、NuGetパッケージ内に独自のTesseractバイナリを同梱しています。 Dockerfile の apt-get install tesseract-ocr 行はもはや必要なく、削除する必要があります。 言語パックは apt-get install tesseract-ocr-fra からではなく、NuGet からも取得されます。 Docker デプロイメントガイドでは、IronOCR をコンテナ内で実行するために必要な、検証済みのベースイメージ構成と正確なパッケージが提供されています。

# Remove these lines after migration:
# RUN apt-get install -y tesseract-ocr tesseract-ocr-eng tesseract-ocr-fra
# COPY ./tessdata /app/tessdata
Dockerfile

問題 6: TesseractException と DllNotFoundException キャッチブロックが到達不能になる

TesseractOCR: 本番のTesseractOCR統合は、DllNotFoundException（ネイティブバイナリ欠落）および BadImageFormatException（アーキテクチャの不一致）をキャッチします。 これらの例外タイプは、tessdataおよびネイティブバイナリのデプロイメントの不安定性に対する予防的な対応です。

解決策：IronOCRはネイティブ依存関係をバンドルし、初期化を内部で管理します。 DllNotFoundException および BadImageFormatException は適用されません。 それらのキャッチブロックを削除してください。 例外の範囲は、OCRの失敗による IronOcr.Exceptions.OcrException と、ファイルアクセスの問題による標準の IOException に縮小されます。

// Before: five exception types to handle
catch (TesseractOCR.Exceptions.TesseractException ex) { ... }
catch (DllNotFoundException ex) { ... }
catch (BadImageFormatException ex) { ... }
catch (OutOfMemoryException ex) { ... }

// After: two exception types
catch (IronOcr.Exceptions.OcrException ex) { ... }
catch (IOException ex) { ... }

##TesseractOCR移行チェックリスト

移行前

コードベース内のTesseractOCRの使用箇所をすべて監査してください：

grep -rn "using TesseractOCR" --include="*.cs" .
grep -rn "new Engine(" --include="*.cs" .
grep -rn "Pix\.Image\.LoadFromFile\|engine\.Process\|page\.Text\|MeanConfidence" --include="*.cs" .
grep -rn "Language\." --include="*.cs" .
SHELL

削除されるすべてのサポートインフラストラクチャを特定してください：

grep -rn "using Docnet\|using SixLabors\|GetTempFileName\|SaveBgraAsPng" --include="*.cs" .
grep -rn "tessdata" --include="*.cs" .
grep -rn "tessdata" --include="*.csproj" .
grep -rn "tessdata" Dockerfile 2>/dev/null || true
SHELL

移行前に代表的なドキュメントサンプルを用いて現在の正確性の基準を記録し、移行後の品質を検証できるようにしてください。

コードの移行

  1. dotnet remove package TesseractOCR を実行する
  2. dotnet remove package Docnet.Core を実行する（存在する場合）
  3. 前処理のために追加した場合は dotnet remove package SixLabors.ImageSharp を実行する
  4. dotnet add package IronOcr を実行する
  5. アプリケーション起動時に IronOcr.License.LicenseKey = "YOUR-LICENSE-KEY" を追加する
  6. using TesseractOCR および using TesseractOCR.Enums を using IronOcr に置き換える
  7. new Engine(tessDataPath, Language.English, EngineMode.Default) を new IronTesseract() に置き換える
  8. TesseractOCR.Pix.Image.LoadFromFile(path) を input.LoadImage(path) に OcrInput インスタンスで置き換える
  9. engine.Process(pixImage) を ocr.Read(input) に置き換える
  10. page.Text を result.Text に置き換える
  11. 信頼度閾値の比較を更新 - IronOCRの0～100スケールに合わせて、0.0～1.0のすべての値に100を乗算する
  12. Language.X を置き換える | Language.YwithOcrLanguage.X + OcrLanguage.Y`
  13. すべての前処理ヘルパーメソッド ( SaveBgraAsPng, 手動フィルターチェーン、一時ファイルロジック ) を削除します
  14. Docnet PDF レンダリングループを input.LoadPdf(path) または input.LoadPdfPages(path, start, end) に置き換える
  15. マルチフレーム TIFF ループを input.LoadImageFrames(tiffPath) に置き換える
  16. File.WriteAllBytes(tempPath, bytes) + LoadFromFile(tempPath) を input.LoadImage(bytes) に置き換える
  17. キャッチブロックを更新する - TesseractException, DllNotFoundException, BadImageFormatException を削除する
  18. プロジェクトの出力ディレクトリ設定およびDockerイメージからtessdataフォルダを削除する

移行後

  • dotnet build がコンパイラーエラーゼロ、到達不能なキャッチ警告ゼロを生成するのを確認する
  • 移行前の精度ベースラインサンプルに対してOCRを実行し、結果を比較する
  • 複数ページの TIFF ファイルから、正しいページ数が抽出されることを確認する
  • 検索可能なPDF出力ファイルが、テキストを選択可能なPDFビューアで開くことを確認してください
  • アプリケーションの実際のデータソースからのバイト配列およびストリーム入力パスをテストする
  • WORD レベルの信頼度値が 0～100 の範囲内にあることを確認してください（0.0～1.0 ではありません）。
  • 並列処理テストを実行し、スレッドごとのエンジン割り当てに関する警告が発生しないことを確認する
  • ターゲット環境（Docker、Azure、Linux）にデプロイし、IronOCR が DllNotFoundException なしで初期化することを確認する
  • デプロイメントスクリプトのどこにも tessdata フォルダや .traineddata ファイルが参照されていないことを確認する

IronOCRへの移行の主なメリット

前処理は、100行の依存関係ではなく、1行の構成になります。 移行後、input.DeNoise()、および input.Contrast() は、外部イメージングライブラリ、手動パラメータ調整、およびそれらを結びつけている一時ファイルの書き込みに取って代わります。 スマートフォンで撮影した写真、歪んだスキャン画像、コントラストの低いファックスなど、以前は専任の前処理エンジニアを必要としていた種類のドキュメントでも、組み込みのパイプラインから信頼性の高い出力が得られます。前処理機能のページには、利用可能なすべてのフィルターが一覧表示されています。

PDFは第一級の入力および出力形式です。Docnet依存関係、BGRAからPNGへの変換ヘルパー、一時ファイル管理ループ、パスワード保護されたファイル用のサードパーティ製ライブラリ——これらすべてが不要になります。 システムに到着したあらゆる PDF は、input.LoadPdf() に直接入ります。 検索可能性を必要とするあらゆるスキャンされた文書は、result.SaveAsSearchablePdf() を通じて出ていきます。 TesseractOCRでは100行以上を要していたPDF処理の全プロセスが、わずか数回のメソッド呼び出しで済むようになります。 サポートされているPDFワークフローの全範囲については、PDF OCRのユースケースページをご覧ください。

構造化出力がフラットなテキスト文字列に取って代わります。 result.Lines、および result.Words は、要素ごとの座標と単語ごとの信頼スコアと共に文書の構造を公開します。 これまで、請求書番号、日付、金額などの特定のフィールドを見つけるためにヒューリスティックな解析を必要としていたワークフローでも、代わりにWORDレベルの座標と信頼度フィルタリングを使用できるようになります。 これは、IronOCRのOCR結果機能を活用して、信頼性の高いフォーム抽出およびドキュメント処理パイプラインを構築するための基盤となります。

デプロイメントが tessdata オーケストレーションを必要としなくなります。 tessdata フォルダー、curl ダウンロードスクリプト、Docker COPY ./tessdata レイヤー、.traineddata ファイルのための CI/CD キャッシュ設定 - それらはすべて消えます。 これらのライブラリは NuGet パッケージとして提供され、バージョン管理され、プロジェクトの他の依存関係と共に復元され、ターゲットが開発者のワークステーション、Docker コンテナ、Azure App Service、または AWS Lambda のいずれであっても、同一の方法でデプロイされます。 Azure 展開ガイドおよび Linux 展開ガイドには、本番環境向けの検証済み構成が記載されています。

ライセンスモデルは明確です。TesseractOCR自体は無料ですが、その運用に必要なインフラにはコストがかかります。具体的には、前処理の実装、PDFライブラリの評価、tessdataのデプロイスクリプト作成、および外部依存関係チェーンの継続的なメンテナンスにかかる開発者の工数です。 IronOCR の永続ライセンス ($999 Lite、$1,499 Professional、$2,999 Enterprise) は、一度きりの費用で、数週間のインフラ作業に取って代わり、継続的な保守作業を排除します。 単一のボランティアメンテナーによるGitHubのイシューキューへの依存に代わり、確実な対応が保証された商用サポートが提供されます。

ご注意: PDFium, PDFSharp, Tesseract, iText はそれぞれの所有者の登録商標です。 このサイトはChromiumプロジェクト、Google、empira Software GmbH、またはiText Groupとは提携、承認、またはスポンサーはされていません。すべての製品名、ロゴ、およびブランドはそれぞれの所有者の財産です。 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。
Kannaopat Udonpant
Kannapat Udonpant
ソフトウェアエンジニア

関連する記事