IronOCR vs AWS Textract: Rozwiązania OCR dla startupów

Cykl życia identyfikatora obrazu

Cechą charakterystyczną architektury GdPicture jest zarządzanie identyfikatorami obrazów typu integer. Załadowanie dowolnego obrazu alokuje pamięć w środowisku wykonawczym GdPicture i zwraca uchwyt int. Używasz tej liczby całkowitej do odwołania się do obrazu we wszystkich kolejnych wywołaniach. Gdy skończysz, wywołasz ReleaseGdPictureImage z tym liczbą całkowitą. Jeśli tego nie zrobisz, pamięć nie zostanie zwolniona do momentu zakończenia procesu.

using GdPicture14;

// Every image load returns an integer handle
int imageId = _imaging.CreateGdPictureImageFromFile(imagePath);

if (imageId == 0)
{
    throw new Exception($"Failed to load image: {_imaging.GetStat()}");
}

try
{
    _ocr.SetImage(imageId);
    _ocr.Language = "eng";

    string resultId = _ocr.RunOCR();

    if (string.IsNullOrEmpty(resultId))
    {
        throw new Exception($"OCR failed: {_ocr.GetStat()}");
    }

    return _ocr.GetOCRResultText(resultId);
}
finally
{
    // CRITICAL: omitting this line causes a memory leak
    _imaging.ReleaseGdPictureImage(imageId);
}

using GdPicture14;

// Every image load returns an integer handle
int imageId = _imaging.CreateGdPictureImageFromFile(imagePath);

if (imageId == 0)
{
    throw new Exception($"Failed to load image: {_imaging.GetStat()}");
}

try
{
    _ocr.SetImage(imageId);
    _ocr.Language = "eng";

    string resultId = _ocr.RunOCR();

    if (string.IsNullOrEmpty(resultId))
    {
        throw new Exception($"OCR failed: {_ocr.GetStat()}");
    }

    return _ocr.GetOCRResultText(resultId);
}
finally
{
    // CRITICAL: omitting this line causes a memory leak
    _imaging.ReleaseGdPictureImage(imageId);
}

Imports GdPicture14

' Every image load returns an integer handle
Dim imageId As Integer = _imaging.CreateGdPictureImageFromFile(imagePath)

If imageId = 0 Then
    Throw New Exception($"Failed to load image: {_imaging.GetStat()}")
End If

Try
    _ocr.SetImage(imageId)
    _ocr.Language = "eng"

    Dim resultId As String = _ocr.RunOCR()

    If String.IsNullOrEmpty(resultId) Then
        Throw New Exception($"OCR failed: {_ocr.GetStat()}")
    End If

    Return _ocr.GetOCRResultText(resultId)
Finally
    ' CRITICAL: omitting this line causes a memory leak
    _imaging.ReleaseGdPictureImage(imageId)
End Try

Podczas przetwarzania wielostronicowych plików PDF każda renderowana strona generuje oddzielny identyfikator obrazu. 100-stronicowy dokument o rozdzielczości 200 DPI może zajmować od 1 do 5 GB pamięci, jeśli nie zostanie poddany czyszczeniu. Poprawny wzorzec wymaga zebrania wszystkich ID i zwolnienia ich w bloku finally — ale ta dyscyplina spoczywa wyłącznie na deweloperze.

Szczegółowe porównanie funkcji

Podejście GdPicture

Każdy obraz w GdPicture istnieje jako uchwyt typu integer w puli zarządzanej w czasie wykonywania. Uchwyt uzyskuje się poprzez załadowanie obrazu, przekazanie tej liczby całkowitej do OCR i innych operacji, a następnie zwolnienie go po zakończeniu. Wzór jest jasny i poprawny, jeśli się go przestrzega. Problem polega na tym, że łatwo popełnić błąd, a konsekwencją tego jest nieograniczony wzrost zużycia pamięci.

Przepływ pracy OCR plików PDF najlepiej ilustruje to ryzyko. Każde wywołanie pdf.RenderPageToGdPictureImage() przydziela nowy rastrowy obraz w pamięci i zwraca nowy całkowity ID. Dokument liczący 100 stron tworzy 100 oddzielnych przydziałów. Pominięcie jednego wywołania ReleaseGdPictureImage powoduje, że proces akumuluje przeciekającą pamięć:

using GdPicture14;

public string ExtractTextFromPdf(string pdfPath)
{
    var text = new StringBuilder();

    using var pdf = new GdPicturePDF();

    GdPictureStatus status = pdf.LoadFromFile(pdfPath, false);
    if (status != GdPictureStatus.OK)
        throw new Exception($"Failed to load PDF: {status}");

    int pageCount = pdf.GetPageCount();

    for (int i = 1; i <= pageCount; i++)
    {
        pdf.SelectPage(i);

        // Each page render = new memory allocation + new integer ID
        int imageId = pdf.RenderPageToGdPictureImage(200, false);

        if (imageId == 0) continue;

        try
        {
            _ocr.SetImage(imageId);
            _ocr.Language = "eng";
            string resultId = _ocr.RunOCR();

            if (!string.IsNullOrEmpty(resultId))
                text.AppendLine(_ocr.GetOCRResultText(resultId));
        }
        finally
        {
            // Without this: ~10–50MB leaked per page
            _imaging.ReleaseGdPictureImage(imageId);
        }
    }

    return text.ToString();
}

using GdPicture14;

public string ExtractTextFromPdf(string pdfPath)
{
    var text = new StringBuilder();

    using var pdf = new GdPicturePDF();

    GdPictureStatus status = pdf.LoadFromFile(pdfPath, false);
    if (status != GdPictureStatus.OK)
        throw new Exception($"Failed to load PDF: {status}");

    int pageCount = pdf.GetPageCount();

    for (int i = 1; i <= pageCount; i++)
    {
        pdf.SelectPage(i);

        // Each page render = new memory allocation + new integer ID
        int imageId = pdf.RenderPageToGdPictureImage(200, false);

        if (imageId == 0) continue;

        try
        {
            _ocr.SetImage(imageId);
            _ocr.Language = "eng";
            string resultId = _ocr.RunOCR();

            if (!string.IsNullOrEmpty(resultId))
                text.AppendLine(_ocr.GetOCRResultText(resultId));
        }
        finally
        {
            // Without this: ~10–50MB leaked per page
            _imaging.ReleaseGdPictureImage(imageId);
        }
    }

    return text.ToString();
}

Imports GdPicture14
Imports System.Text

Public Function ExtractTextFromPdf(ByVal pdfPath As String) As String
    Dim text As New StringBuilder()

    Using pdf As New GdPicturePDF()
        Dim status As GdPictureStatus = pdf.LoadFromFile(pdfPath, False)
        If status <> GdPictureStatus.OK Then
            Throw New Exception($"Failed to load PDF: {status}")
        End If

        Dim pageCount As Integer = pdf.GetPageCount()

        For i As Integer = 1 To pageCount
            pdf.SelectPage(i)

            ' Each page render = new memory allocation + new integer ID
            Dim imageId As Integer = pdf.RenderPageToGdPictureImage(200, False)

            If imageId = 0 Then Continue For

            Try
                _ocr.SetImage(imageId)
                _ocr.Language = "eng"
                Dim resultId As String = _ocr.RunOCR()

                If Not String.IsNullOrEmpty(resultId) Then
                    text.AppendLine(_ocr.GetOCRResultText(resultId))
                End If
            Finally
                ' Without this: ~10–50MB leaked per page
                _imaging.ReleaseGdPictureImage(imageId)
            End Try
        Next
    End Using

    Return text.ToString()
End Function

Sytuację komplikuje przetwarzanie wsadowe wielu plików PDF. Dokumentacja dla każdego for pętli musi zawierać notatkę przypominającą konserwatorom o zbieraniu ID w List<int> i ich zwolnieniu w finally. To zadanie związane z infrastrukturą, a nie z OCR.

Podejście IronOCR

OcrInput jest standardowym IDisposable. Deklaracja using gwarantuje sprzątanie, niezależnie czy metoda zwraca wartość normalnie, czy rzuca wyjątek. Nie ma żadnych identyfikatorów całkowitoliczbowych do śledzenia, nie ma oddzielnego komponentu obrazówania do zainicjowania i nie ma zewnętrznego etapu renderowania DPI dla stron PDF.

using IronOcr;

public string ExtractTextFromPdf(string pdfPath)
{
    // LoadPdf handles page rendering internally
    using var input = new OcrInput();
    input.LoadPdf(pdfPath);

    var result = new IronTesseract().Read(input);

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

    return result.Text;
    // using block exits — all internal resources released automatically
}

using IronOcr;

public string ExtractTextFromPdf(string pdfPath)
{
    // LoadPdf handles page rendering internally
    using var input = new OcrInput();
    input.LoadPdf(pdfPath);

    var result = new IronTesseract().Read(input);

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

    return result.Text;
    // using block exits — all internal resources released automatically
}

Imports IronOcr

Public Function ExtractTextFromPdf(pdfPath As String) As String
    ' LoadPdf handles page rendering internally
    Using input As New OcrInput()
        input.LoadPdf(pdfPath)

        Dim result = New IronTesseract().Read(input)

        For Each page In result.Pages
            Console.WriteLine($"Page {page.PageNumber}: {page.Text}")
        Next

        Return result.Text
        ' using block exits — all internal resources released automatically
    End Using
End Function

W przypadku plików PDF chronionych hasłem parametr jest argumentem nazwanym, a nie oddzielnym przeciążeniem wymagającym dodatkowej kontroli stanu:

using var input = new OcrInput();
input.LoadPdf("encrypted.pdf", Password: "secret");

var result = new IronTesseract().Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

using var input = new OcrInput();
input.LoadPdf("encrypted.pdf", Password: "secret");

var result = new IronTesseract().Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

Imports IronOcr

Using input As New OcrInput()
    input.LoadPdf("encrypted.pdf", Password:="secret")

    Dim result = New IronTesseract().Read(input)
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

Podręcznik wprowadzania plików PDF w IronOCR obejmuje dodatkowe opcje, w tym wybór zakresu stron. Dla zespołów zaznajomionych już z wzorcami IDisposable w całym Entity Framework, HttpClient i zarządzaniu strumieniem, OcrInput nie wymaga nowego modelu myślenia.

Podejście GdPicture

Pełny przebieg pracy w przypadku skanowanego pliku PDF o niskiej jakości — ładowanie, przetwarzanie wstępne, OCR każdej strony, wydanie — obejmuje trzy klasy komponentów i wymaga starannego sprawdzania statusu na każdym etapie:

using GdPicture14;

public void CreateSearchablePdf(string inputPdf, string outputPdf)
{
    using var pdf = new GdPicturePDF();

    GdPictureStatus status = pdf.LoadFromFile(inputPdf, false);
    if (status != GdPictureStatus.OK)
        throw new Exception($"Load failed: {status}");

    int pageCount = pdf.GetPageCount();

    for (int i = 1; i <= pageCount; i++)
    {
        pdf.SelectPage(i);

        // OcrPage adds text layer to each page
        // Requires: OCR plugin + PDF plugin + resource folder path
        GdPictureStatus ocrStatus = pdf.OcrPage(
            "eng",
            @"C:\GdPicture\Resources\OCR",  // Folder zasobów zewnętrznych required
            "",
            200
        );

        if (ocrStatus != GdPictureStatus.OK)
            Console.WriteLine($"Warning: Page {i} OCR failed: {ocrStatus}");
    }

    pdf.SaveToFile(outputPdf, true);
}

using GdPicture14;

public void CreateSearchablePdf(string inputPdf, string outputPdf)
{
    using var pdf = new GdPicturePDF();

    GdPictureStatus status = pdf.LoadFromFile(inputPdf, false);
    if (status != GdPictureStatus.OK)
        throw new Exception($"Load failed: {status}");

    int pageCount = pdf.GetPageCount();

    for (int i = 1; i <= pageCount; i++)
    {
        pdf.SelectPage(i);

        // OcrPage adds text layer to each page
        // Requires: OCR plugin + PDF plugin + resource folder path
        GdPictureStatus ocrStatus = pdf.OcrPage(
            "eng",
            @"C:\GdPicture\Resources\OCR",  // Folder zasobów zewnętrznych required
            "",
            200
        );

        if (ocrStatus != GdPictureStatus.OK)
            Console.WriteLine($"Warning: Page {i} OCR failed: {ocrStatus}");
    }

    pdf.SaveToFile(outputPdf, true);
}

Imports GdPicture14

Public Sub CreateSearchablePdf(inputPdf As String, outputPdf As String)
    Using pdf As New GdPicturePDF()

        Dim status As GdPictureStatus = pdf.LoadFromFile(inputPdf, False)
        If status <> GdPictureStatus.OK Then
            Throw New Exception($"Load failed: {status}")
        End If

        Dim pageCount As Integer = pdf.GetPageCount()

        For i As Integer = 1 To pageCount
            pdf.SelectPage(i)

            ' OcrPage adds text layer to each page
            ' Requires: OCR plugin + PDF plugin + resource folder path
            Dim ocrStatus As GdPictureStatus = pdf.OcrPage(
                "eng",
                "C:\GdPicture\Resources\OCR",  ' Folder zasobów zewnętrznych required
                "",
                200
            )

            If ocrStatus <> GdPictureStatus.OK Then
                Console.WriteLine($"Warning: Page {i} OCR failed: {ocrStatus}")
            End If
        Next

        pdf.SaveToFile(outputPdf, True)
    End Using
End Sub

Ścieżka ResourceFolder nie jest opcjonalna. Musi rozwiązać się do katalogu zawierającego pliki językowe .traineddata w czasie pracy. Ta ścieżka działa na maszynie deweloperskiej, a następnie zawodzi w środowisku produkcyjnym, gdy konto serwisowe nie widzi C:\GdPicture\Resources\OCR, lub gdy aplikacja jest wdrażana na Linuksie, lub gdy obrazyDockernie zawierają tej struktury katalogu. Debugowanie tych awarii często oznacza pogoń za ogólnymi kodami błędów GdPictureStatus, które mówią niewiele o przyczynie korzeniowej.

Podejście IronOCR

Odpowiedni przebieg pracy w IronOCR— w tym przetwarzanie wstępne w celu wyprostowania i usunięcia szumów — to pięć wierszy:

using IronOcr;

public void CreateSearchablePdf(string inputPdf, string outputPdf)
{
    var ocr = new IronTesseract();

    using var input = new OcrInput();
    input.LoadPdf(inputPdf);
    input.Deskew();   // Nie separate plugin required
    input.DeNoise();

    var result = ocr.Read(input);
    result.SaveAsSearchablePdf(outputPdf);
}

using IronOcr;

public void CreateSearchablePdf(string inputPdf, string outputPdf)
{
    var ocr = new IronTesseract();

    using var input = new OcrInput();
    input.LoadPdf(inputPdf);
    input.Deskew();   // Nie separate plugin required
    input.DeNoise();

    var result = ocr.Read(input);
    result.SaveAsSearchablePdf(outputPdf);
}

Imports IronOcr

Public Sub CreateSearchablePdf(inputPdf As String, outputPdf As String)
    Dim ocr As New IronTesseract()

    Using input As New OcrInput()
        input.LoadPdf(inputPdf)
        input.Deskew() ' Nie separate plugin required
        input.DeNoise()

        Dim result = ocr.Read(input)
        result.SaveAsSearchablePdf(outputPdf)
    End Using
End Sub

Obsługa języka angielskiego jest wbudowana w pakiet NuGet. Dodatkowe języki są instalowane jako pakiety NuGet (IronOcr.Languages.French) zamiast plików .traineddata w ścieżce systemu plików. Przewodnik dotyczący korekty jakości obrazu i przewodnik dotyczący korekty orientacji obrazu obejmują pełny zestaw opcji przetwarzania wstępnego dostępnych na OcrInput.

W przypadku przetwarzania uwzględniającego poziom pewności — na przykład filtrowania wyników poniżej progu przed zapisaniem do bazy danych — obiekt wyniku bezpośrednio ujawnia poziom pewności:

var result = new IronTesseract().Read("scanned.jpg");
Console.WriteLine($"Confidence: {result.Confidence}%");

// Per-word confidence for fine-grained filtering
var highConfidenceWords = result.Words
    .Where(w => w.Confidence > 85)
    .Select(w => w.Text);

var result = new IronTesseract().Read("scanned.jpg");
Console.WriteLine($"Confidence: {result.Confidence}%");

// Per-word confidence for fine-grained filtering
var highConfidenceWords = result.Words
    .Where(w => w.Confidence > 85)
    .Select(w => w.Text);

Imports System
Imports System.Linq

Dim result = (New IronTesseract()).Read("scanned.jpg")
Console.WriteLine($"Confidence: {result.Confidence}%")

' Per-word confidence for fine-grained filtering
Dim highConfidenceWords = result.Words _
    .Where(Function(w) w.Confidence > 85) _
    .Select(Function(w) w.Text)

GdPicture wymaga trzech zagnieżdżonych pętli — bloków, linii, słów — aby osiągnąć te same dane, z metodami wywoływanymi na każdym poziomie (GetOCRResultBlockLineWordConfidence(resultId, b, l, w)). Instrukcja dotycząca oceny pewności pokazuje model dostępu strukturalnego dla typowych przypadków użycia.

Podejście GdPicture

GdPicture zwraca ciąg resultId z RunOCR(), a wszystkie dane wynikowe są zapytane za pomocą tego ID poprzez wywołania metod na instancji GdPictureOCR. Osiągnięcie pewności co do poszczególnych słów wymaga przejścia przez trzy zagnieżdżone poziomy:

using GdPicture14;

public List<(string word, float confidence)> GetWordConfidences(int imageId)
{
    var words = new List<(string, float)>();

    _ocr.SetImage(imageId);
    _ocr.Language = "eng";
    string resultId = _ocr.RunOCR();

    int blockCount = _ocr.GetOCRResultBlockCount(resultId);

    for (int b = 0; b < blockCount; b++)
    {
        int lineCount = _ocr.GetOCRResultBlockLineCount(resultId, b);

        for (int l = 0; l < lineCount; l++)
        {
            int wordCount = _ocr.GetOCRResultBlockLineWordCount(resultId, b, l);

            for (int w = 0; w < wordCount; w++)
            {
                string word = _ocr.GetOCRResultBlockLineWordText(resultId, b, l, w);
                float conf = _ocr.GetOCRResultBlockLineWordConfidence(resultId, b, l, w);
                words.Add((word, conf));
            }
        }
    }

    return words;
}

using GdPicture14;

public List<(string word, float confidence)> GetWordConfidences(int imageId)
{
    var words = new List<(string, float)>();

    _ocr.SetImage(imageId);
    _ocr.Language = "eng";
    string resultId = _ocr.RunOCR();

    int blockCount = _ocr.GetOCRResultBlockCount(resultId);

    for (int b = 0; b < blockCount; b++)
    {
        int lineCount = _ocr.GetOCRResultBlockLineCount(resultId, b);

        for (int l = 0; l < lineCount; l++)
        {
            int wordCount = _ocr.GetOCRResultBlockLineWordCount(resultId, b, l);

            for (int w = 0; w < wordCount; w++)
            {
                string word = _ocr.GetOCRResultBlockLineWordText(resultId, b, l, w);
                float conf = _ocr.GetOCRResultBlockLineWordConfidence(resultId, b, l, w);
                words.Add((word, conf));
            }
        }
    }

    return words;
}

Imports GdPicture14

Public Function GetWordConfidences(imageId As Integer) As List(Of (word As String, confidence As Single))
    Dim words As New List(Of (String, Single))()

    _ocr.SetImage(imageId)
    _ocr.Language = "eng"
    Dim resultId As String = _ocr.RunOCR()

    Dim blockCount As Integer = _ocr.GetOCRResultBlockCount(resultId)

    For b As Integer = 0 To blockCount - 1
        Dim lineCount As Integer = _ocr.GetOCRResultBlockLineCount(resultId, b)

        For l As Integer = 0 To lineCount - 1
            Dim wordCount As Integer = _ocr.GetOCRResultBlockLineWordCount(resultId, b, l)

            For w As Integer = 0 To wordCount - 1
                Dim word As String = _ocr.GetOCRResultBlockLineWordText(resultId, b, l, w)
                Dim conf As Single = _ocr.GetOCRResultBlockLineWordConfidence(resultId, b, l, w)
                words.Add((word, conf))
            Next
        Next
    Next

    Return words
End Function

To nie jest błąd — dane są dostępne. Wymaga to jednak zrozumienia i utrzymania trójwymiarowego indeksu w strukturze wynikowej dla każdego projektu, który wymaga danych na poziomie słów.

Podejście IronOCR

OcrResult eksponuje .Words jako kolekcję typowaną. LINQ działa bezpośrednio w oparciu o to:

using IronOcr;

var result = new IronTesseract().Read("invoice.jpg");

// All words with position and confidence
foreach (var word in result.Words)
{
    Console.WriteLine($"'{word.Text}' at ({word.X},{word.Y}) — {word.Confidence:P0}");
}

// Lines, paragraphs, and pages follow the same pattern
foreach (var line in result.Lines)
    Console.WriteLine(line.Text);

foreach (var page in result.Pages)
    Console.WriteLine($"Page {page.PageNumber}: {page.Text.Length} characters");

using IronOcr;

var result = new IronTesseract().Read("invoice.jpg");

// All words with position and confidence
foreach (var word in result.Words)
{
    Console.WriteLine($"'{word.Text}' at ({word.X},{word.Y}) — {word.Confidence:P0}");
}

// Lines, paragraphs, and pages follow the same pattern
foreach (var line in result.Lines)
    Console.WriteLine(line.Text);

foreach (var page in result.Pages)
    Console.WriteLine($"Page {page.PageNumber}: {page.Text.Length} characters");

Imports IronOcr

Dim result = New IronTesseract().Read("invoice.jpg")

' All words with position and confidence
For Each word In result.Words
    Console.WriteLine($"'{word.Text}' at ({word.X},{word.Y}) — {word.Confidence:P0}")
Next

' Lines, paragraphs, and pages follow the same pattern
For Each line In result.Lines
    Console.WriteLine(line.Text)
Next

For Each page In result.Pages
    Console.WriteLine($"Page {page.PageNumber}: {page.Text.Length} characters")
Next

OCR oparte na regionach — wyodrębnianie tekstu z określonego prostokąta w dokumencie — jest równie proste:

var region = new CropRectangle(0, 0, 600, 100); // header area

using var input = new OcrInput();
input.LoadImage("invoice.jpg", region);

var headerText = new IronTesseract().Read(input).Text;

var region = new CropRectangle(0, 0, 600, 100); // header area

using var input = new OcrInput();
input.LoadImage("invoice.jpg", region);

var headerText = new IronTesseract().Read(input).Text;

Imports IronOcr

Dim region As New CropRectangle(0, 0, 600, 100) ' header area

Using input As New OcrInput()
    input.LoadImage("invoice.jpg", region)

    Dim headerText As String = New IronTesseract().Read(input).Text
End Using

Przewodnik po wynikach odczytu oraz przewodnik po OCR opartym na regionach pokazują, w jaki sposób wzorce te można zastosować w przypadku dokumentów wielostronicowych oraz procesów ekstrakcji pól ustrukturyzowanych.

Jedynym wymaganiem jest OCR

Zespoły wdrażające procesy pozyskiwania dokumentów — przyjmowanie zeskanowanych faktur, przetwarzanie formularzy medycznych, wyodrębnianie treści umów — często rozważają GdPicture, ponieważ pojawia się ono w katalogach oprogramowania Enterprise obok LEADTOOLS i Kofax. Gdy tabela zależności wtyczek stanie się jasna, sytuacja ulegnie zmianie. Wtyczka PDF nie jest opcjonalna, jeśli wymagane jest wprowadzanie danych w formacie PDF. Wtyczka Document Imaging Plugin nie jest opcjonalna, jeśli wymagane jest przetwarzanie wstępne. Zespół, który potrzebuje OCR z zeskanowanych PDF-ów z korekcją deskew, kończy z trzema licencjami na wtyczki przy znaczącym koszcie wejścia na poziom Professional. Gdy wymóg to ekstrakcja tekstu i nic z listy funkcji GdPicture poza tym nie jest potrzebne, taka cena to czysty koszt ogólny.IronOCR na $2,999 Professional obejmuje identyczny proces roboczy — wejście obrazów, wejście PDF, przetwarzanie wstępne, wyjście wyszukiwalnego PDF — z jednego pakietu bez potrzeby podejmowania decyzji dotyczących wtyczek.

Przypadki wycieków pamięci w środowisku produkcyjnym

Cykl życia identyfikatorów całkowitoliczbowych staje się potencjalnym incydentem produkcyjnym w usługach przetwarzania dokumentów o dużej przepustowości. Punkt końcowy interfejsu API sieci Web, który przetwarza przesłane pliki PDF pod obciążeniem, będzie w końcu miał ścieżkę kodu, w której wywołanie zwolnienia obrazu nie zostanie osiągnięte — wczesny powrót w gałęzi błędu, nieobsługiwany wyjątek przed blokiem czyszczenia lub po prostu nowy programista, który nie zna tego wzorca, dodający metodę pomocniczą, która przyjmuje jako parametr całkowitoliczbowy uchwyt obrazu i zapomina go zwolnić. Pamięć się zapełnia, usługa zwalnia, a przyczyna tego nie jest oczywista w zrzucie sterty. Zespoły, które debugowały jeden z takich incydentów, zazwyczaj chcą modelu, w którym środowisko uruchomieniowe zajmuje się czyszczeniem. Standardowy wzorzec usuwania w IronOCR to właśnie ten model — uporządkowane czyszczenie wymuszane przez kompilator, a nie przez dyscyplinę programisty w każdym miejscu wywołania.

Trudności związane z aktualizacją wersji

GdPicture umieszcza numer głównej wersji w swojej przestrzeni nazw. Aktualizacja z wersji 14 do wersji 15 wymaga zaktualizowania tej dyrektywy przestrzeni nazw w każdym pliku źródłowym, który odwołuje się do klas GdPicture. W dużej aplikacji z OCR, obsługą plików PDF i przetwarzaniem obrazów rozłożonym na dziesiątki usług i klas narzędziowych jest to niebanalne zadanie migracyjne — i nie zapewnia żadnych korzyści funkcjonalnych. Każda nowoczesna biblioteka .NET, od Microsoft.EntityFrameworkCore po Newtonsoft.Json, wykorzystuje przestrzenie nazw niezależne od wersji, zarządzając wersjonowaniem za pomocą numeru wersji pakietu NuGet.IronOCR przestrzega tej konwencji: ten sam import przestrzeni nazw obowiązuje od wersji 1 do aktualnej wersji.

Wdrażanie mikrousług i kontenerów

GdPicture OCR wymaga, aby w czasie wykonywania w określonej ścieżce znajdował się zewnętrzny folder zasobów zawierający pliki danych językowych. W przypadku wdrożenia kontenerowego oznacza to albo wbudowanie tych plików w obraz Docker, zamontowanie woluminu, albo skonfigurowanie skryptu startowego w celu ich pobrania. Typowym rezultatem jest obrazDockero kilkaset megabajtów większy niż to konieczne, pominięta pozycja na liście kontrolnej wdrożenia oraz awarie produkcyjne podczas czystego restartu kontenerów, w których wolumin nie jest zamontowany.IronOCR zawiera obsługę języka angielskiego w samym pakiecie; Dodatkowe języki instaluje się jako pakiety NuGet, które są częścią wyników kompilacji. Kontener pobiera potrzebne dane z etapu przywracania i nie ma żadnych ścieżek do skonfigurowania. Przewodnik wdrażania Docker oraz przewodnik wdrażania Linux obejmują konkretną konfigurację dla każdego środowiska docelowego.

Zespoły programistów bez doświadczenia w zakresie obrazówania dokumentów

Zakres działania GdPicture jest z konieczności szeroki — obejmuje on pełną platformę do przetwarzania obrazów dokumentów. Dla programisty dołączającego do zespołu zajmującego się utrzymaniem mikrousługi OCR zrozumienie komponentu obrazówania, komponentu OCR, komponentu PDF, cyklu życia identyfikatorów całkowitoliczbowych, obsługi kodów zwrotnych statusu oraz konfiguracji folderów zasobów stanowi spore wyzwanie na początku. Powierzchnia robocza IronOCR do OCR składa się z trzech klas: silnika, kontenera wejściowego i obiektu wynikowego. To jest cały model mentalny dla 90% przypadków użycia. Wprowadzenie nowego programisty oznacza skierowanie go do instrukcji konfiguracji IronTesseract, a nie do wielomodułowego przewodnika po SDK.

Zastępowanie inicjalizacji komponentów

GdPicture wymaga czterostopniowej sekwencji inicjalizacji: zarejestruj klucz licencyjny za pomocą LicenseManager, zainicjalizuj GdPictureImaging, zainicjalizuj GdPictureOCR oraz ustaw ścieżkę folderu zasobów.IronOCR redukuje to do przypisania jednej właściwości, które należy do Program.cs lub Startup.cs:

// Remove
LicenseManager lm = new LicenseManager();
lm.RegisterKEY("GDPICTURE-LICENSE-KEY");
_imaging = new GdPictureImaging();
_ocr = new GdPictureOCR();
_ocr.ResourceFolder = @"C:\GdPicture\Resources\OCR";

// Replace with
IronOcr.License.LicenseKey = "IRONOCR-LICENSE-KEY";
// IronTesseract instances are instantiated per-use or as a singleton

// Remove
LicenseManager lm = new LicenseManager();
lm.RegisterKEY("GDPICTURE-LICENSE-KEY");
_imaging = new GdPictureImaging();
_ocr = new GdPictureOCR();
_ocr.ResourceFolder = @"C:\GdPicture\Resources\OCR";

// Replace with
IronOcr.License.LicenseKey = "IRONOCR-LICENSE-KEY";
// IronTesseract instances are instantiated per-use or as a singleton

' Remove
Dim lm As New LicenseManager()
lm.RegisterKEY("GDPICTURE-LICENSE-KEY")
_imaging = New GdPictureImaging()
_ocr = New GdPictureOCR()
_ocr.ResourceFolder = "C:\GdPicture\Resources\OCR"

' Replace with
IronOcr.License.LicenseKey = "IRONOCR-LICENSE-KEY"
' IronTesseract instances are instantiated per-use or as a singleton

Eliminacja śledzenia identyfikatorów obrazów

Każde wywołanie CreateGdPictureImageFromFile i każde wywołanie RenderPageToGdPictureImage ma odpowiadające wywołanie ReleaseGdPictureImage gdzieś w istniejącej bazie kodu. Te wywołania sprzątania są całkowicie usunięte w IronOCR— OcrInput obsługuje diszalowanie. Migracja jest mechaniczna: znajdź każde int imageId = ..., znajdź jej sparowane ReleaseGdPictureImage(imageId), owiń kod załadowania w using var input = new OcrInput() i zastąp wywołania metod GdPicture ich odpowiednikami w IronOCR.

// Remove
int imageId = _imaging.CreateGdPictureImageFromFile(path);
if (imageId == 0) throw new Exception(_imaging.GetStat().ToString());
_ocr.SetImage(imageId);
_ocr.Language = "eng";
string resultId = _ocr.RunOCR();
if (string.IsNullOrEmpty(resultId)) throw new Exception(_ocr.GetStat().ToString());
string text = _ocr.GetOCRResultText(resultId);
_imaging.ReleaseGdPictureImage(imageId);

// Replace with
using var input = new OcrInput();
input.LoadImage(path);
var result = new IronTesseract().Read(input);
string text = result.Text;

// Remove
int imageId = _imaging.CreateGdPictureImageFromFile(path);
if (imageId == 0) throw new Exception(_imaging.GetStat().ToString());
_ocr.SetImage(imageId);
_ocr.Language = "eng";
string resultId = _ocr.RunOCR();
if (string.IsNullOrEmpty(resultId)) throw new Exception(_ocr.GetStat().ToString());
string text = _ocr.GetOCRResultText(resultId);
_imaging.ReleaseGdPictureImage(imageId);

// Replace with
using var input = new OcrInput();
input.LoadImage(path);
var result = new IronTesseract().Read(input);
string text = result.Text;

Imports System

' Remove
Dim imageId As Integer = _imaging.CreateGdPictureImageFromFile(path)
If imageId = 0 Then Throw New Exception(_imaging.GetStat().ToString())
_ocr.SetImage(imageId)
_ocr.Language = "eng"
Dim resultId As String = _ocr.RunOCR()
If String.IsNullOrEmpty(resultId) Then Throw New Exception(_ocr.GetStat().ToString())
Dim text As String = _ocr.GetOCRResultText(resultId)
_imaging.ReleaseGdPictureImage(imageId)

' Replace with
Using input As New OcrInput()
    input.LoadImage(path)
    Dim result = New IronTesseract().Read(input)
    Dim text As String = result.Text
End Using

Dostosowanie obsługi błędów

GdPicture używa kodów zwrotnych GdPictureStatus sprawdzanych po każdej znaczącej operacji.IronOCR generuje standardowe wyjątki .NET. Migracja zastępuje strażników if (status != GdPictureStatus.OK) blokami try/catch, które obsługują IronOcr.Exceptions.OcrException dla specyficznych dla OCR niepowodzeń oraz standardowymi IOException i FileNotFoundException dla niepowodzeń wejścia. Samouczek dotyczący odczytywania tekstu z obrazów obejmuje wzorce obsługi błędów w typowych scenariuszach.

Wdrażanie pakietu językowego

Pliki języków GdPicture to pliki .traineddata w folderze systemu plików. Pakiety językowe IronOCRsą pakietami NuGet. Migracja usuwa folder zasobów z manifestu wdrożenia i dodaje odwołania do pakietów NuGet dla każdego wymaganego języka:

# Remove filesystem dependency for each language
# Add NuGet package instead
dotnet add package IronOcr.Languages.French
dotnet add package IronOcr.Languages.German
dotnet add package IronOcr.Languages.ChineseSimplified

# Remove filesystem dependency for each language
# Add NuGet package instead
dotnet add package IronOcr.Languages.French
dotnet add package IronOcr.Languages.German
dotnet add package IronOcr.Languages.ChineseSimplified

Przewodnik dotyczący wielu języków opisuje konfigurację dla dokumentów wielojęzycznych, gdzie zarówno podstawowe, jak i drugorzędne języki są określone na instancji IronTesseract.