Tesseract C# a IronOCR: Którą bibliotekę OCR należy używać w .NET?

Wykorzystanie starszych wersji platformy .NET Framework w praktyce

Sztywna granica w .NET Framework 4.5 to nie tylko pole wyboru — kształtuje ona każdą późniejszą decyzję architektoniczną. Projekt, który zależy od Tesseract.Net.SDK, nie może celować w <TargetFramework>net8.0</TargetFramework> w swoim .csproj. Nie można go zbudować przez runner GitHub Actions z użyciem mcr.microsoft.com/dotnet/sdk:8.0. Nie można go wdrożyć w podzie Kubernetes z uruchomionym kontenerem Linux. W momencie, gdy reszta organizacji przekroczy tę granicę, usługa OCR staje się sierotą.

Własny kod inicjalizacyjny SDK bezpośrednio to ujawnia. Podstawowy wzorzec użycia w tesseract-net-sdk-basic-ocr.cs obejmuje jawny strażnik platformy Windows:

// Install: Install-Package Tesseract.Net.SDK
// Platform: Windows ONLY (.NET Framework 2.0-4.5)
using Patagames.Ocr;

public string ExtractTextSimple(string imagePath)
{
    // Platform check — Tesseract.Net.SDK is Windows-only
    if (!RuntimeInformation.IsOSPlatform(OSPlatform.Windows))
    {
        throw new PlatformNotSupportedException(
            "Tesseract.Net.SDK only supports Windows.");
    }

    // Verify tessdata exists
    if (!Directory.Exists(@".\tessdata"))
    {
        throw new DirectoryNotFoundException(
            "tessdata folder not found. Download traineddata files from GitHub.");
    }

    using (var api = OcrApi.Create())
    {
        api.Init(Languages.English);       // loads eng.traineddata (~40 MB)
        return api.GetTextFromImage(imagePath);
    }
}

// Install: Install-Package Tesseract.Net.SDK
// Platform: Windows ONLY (.NET Framework 2.0-4.5)
using Patagames.Ocr;

public string ExtractTextSimple(string imagePath)
{
    // Platform check — Tesseract.Net.SDK is Windows-only
    if (!RuntimeInformation.IsOSPlatform(OSPlatform.Windows))
    {
        throw new PlatformNotSupportedException(
            "Tesseract.Net.SDK only supports Windows.");
    }

    // Verify tessdata exists
    if (!Directory.Exists(@".\tessdata"))
    {
        throw new DirectoryNotFoundException(
            "tessdata folder not found. Download traineddata files from GitHub.");
    }

    using (var api = OcrApi.Create())
    {
        api.Init(Languages.English);       // loads eng.traineddata (~40 MB)
        return api.GetTextFromImage(imagePath);
    }
}

Imports Patagames.Ocr
Imports System.Runtime.InteropServices
Imports System.IO

Public Function ExtractTextSimple(ByVal imagePath As String) As String
    ' Platform check — Tesseract.Net.SDK is Windows-only
    If Not RuntimeInformation.IsOSPlatform(OSPlatform.Windows) Then
        Throw New PlatformNotSupportedException("Tesseract.Net.SDK only supports Windows.")
    End If

    ' Verify tessdata exists
    If Not Directory.Exists(".\tessdata") Then
        Throw New DirectoryNotFoundException("tessdata folder not found. Download traineddata files from GitHub.")
    End If

    Using api = OcrApi.Create()
        api.Init(Languages.English) ' loads eng.traineddata (~40 MB)
        Return api.GetTextFromImage(imagePath)
    End Using
End Function

Przed każdą linią przetworzoną przez OCR pojawiają się dwa zabezpieczenia: potwierdź Windows, potwierdź tessdata. Na każdym hoście innym niż Windows metoda ta generuje wyjątek przed dotarciem do silnika. Na każdym komputerze, na którym folder tessdata nie został skopiowany podczas wdrażania, generuje ona wyjątek ponownie. Żadna z tych kontroli nie jest standardowa — obie reprezentują tryby awarii, z którymi programiści spotykają się w środowisku produkcyjnym.

Szczegółowe porównanie funkcji

Podejście Tesseract.Net.SDK

Tesseract.Net.SDK jest przeznaczony dla platformy .NET Framework w wersjach od 2.0 do 4.5. Każdy projekt, który z niego korzysta, musi sam być przeznaczony dla jednej z tych wersji platformy. Plik porównania migracji potwierdza to ograniczenie w sekcji konfiguracji:

// Install: Install-Package Tesseract.Net.SDK
// License: Commercial (Patagames)
// Platform: Windows ONLY (.NET Framework 2.0-4.5)
//
// Requirements:
//   - tessdata folder must exist in bin/Debug/or bin/Release/
//   - Download traineddata files from https://github.com/tesseract-ocr/tessdata
//   - Windows operating system (no Linux/macOS support)

using Patagames.Ocr;

// Multi-language setup — all traineddata files must be manually downloaded
using (var api = OcrApi.Create())
{
    // Combine languages with bitwise OR
    api.Init(Languages.English | Languages.German | Languages.French);

    string text = api.GetTextFromImage(imagePath);
    return text;
}

// Install: Install-Package Tesseract.Net.SDK
// License: Commercial (Patagames)
// Platform: Windows ONLY (.NET Framework 2.0-4.5)
//
// Requirements:
//   - tessdata folder must exist in bin/Debug/or bin/Release/
//   - Download traineddata files from https://github.com/tesseract-ocr/tessdata
//   - Windows operating system (no Linux/macOS support)

using Patagames.Ocr;

// Multi-language setup — all traineddata files must be manually downloaded
using (var api = OcrApi.Create())
{
    // Combine languages with bitwise OR
    api.Init(Languages.English | Languages.German | Languages.French);

    string text = api.GetTextFromImage(imagePath);
    return text;
}

Imports Patagames.Ocr

' Install: Install-Package Tesseract.Net.SDK
' License: Commercial (Patagames)
' Platform: Windows ONLY (.NET Framework 2.0-4.5)
'
' Requirements:
'   - tessdata folder must exist in bin/Debug/or bin/Release/
'   - Download traineddata files from https://github.com/tesseract-ocr/tessdata
'   - Windows operating system (no Linux/macOS support)

' Multi-language setup — all traineddata files must be manually downloaded
Using api = OcrApi.Create()
    ' Combine languages with bitwise OR
    api.Init(Languages.English Or Languages.German Or Languages.French)

    Dim text As String = api.GetTextFromImage(imagePath)
    Return text
End Using

Wzorzec using (var api = OcrApi.Create()) jest idiomatyczny dla .NET Framework 2.0. Wykorzystuje instrukcję C# 1.0 using zamiast deklaracji C# 8.0 using var. Namespace to Patagames.Ocr. W tej kombinacji językowej stosuje się operację bitową OR na wyliczeniu. Żadna z tego kodu nie kompiluje się przeciwko któremukolwiek net6.0 albo net8.0 target framework w pliku projektu stylu SDK, ponieważ samo Tesseract.Net.SDK nie produkuje kompatybilnego zestawu.

Zespoły, które utknęły na .NET Framework 4.5, nie zrobiły tego z własnego wyboru. Znajdują się tam, ponieważ nie można zaktualizować zależności — czasami obejmujących bibliotekę OCR. Wybór Tesseract.Net.SDK pogłębia ten łańcuch zależności.

Podejście IronOCR

IronOCR obsługuje platformę .NET Framework 4.6.2 oraz wszystkie nowoczesne środowiska uruchomieniowe .NET aż do wersji .NET 9. Ten sam plik binarny pakietu działa na wszystkich z nich. Aktualizacja projektu z .NET Framework 4.8 do.NET 8nie wymaga wymiany biblioteki OCR.

// Works on .NET Framework 4.6.2, .NET Core, .NET 5/6/7/8/9
// Same NuGet package, same API, same results
using IronOcr;

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

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;
ocr.AddSecondaryLanguage(OcrLanguage.German);
ocr.AddSecondaryLanguage(OcrLanguage.French);

var result = ocr.Read("document.jpg");
Console.WriteLine(result.Text);
Console.WriteLine($"Confidence: {result.Confidence}%");

// Works on .NET Framework 4.6.2, .NET Core, .NET 5/6/7/8/9
// Same NuGet package, same API, same results
using IronOcr;

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

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.English;
ocr.AddSecondaryLanguage(OcrLanguage.German);
ocr.AddSecondaryLanguage(OcrLanguage.French);

var result = ocr.Read("document.jpg");
Console.WriteLine(result.Text);
Console.WriteLine($"Confidence: {result.Confidence}%");

Imports IronOcr

' Works on .NET Framework 4.6.2, .NET Core, .NET 5/6/7/8/9
' Same NuGet package, same API, same results

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

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.English
ocr.AddSecondaryLanguage(OcrLanguage.German)
ocr.AddSecondaryLanguage(OcrLanguage.French)

Dim result = ocr.Read("document.jpg")
Console.WriteLine(result.Text)
Console.WriteLine($"Confidence: {result.Confidence}%")

Nie stosować operatora bitowego OR w wyliczeniach językowych. Brak folderu tessdata. Brak sprawdzania platformy. Podręcznik konfiguracji IronTesseract zawiera opcje konfiguracyjne dla wszystkich obsługiwanych środowisk uruchomieniowych w jednym dokumencie.

Praktyczna konsekwencja dla zespołów w trakcie migracji: projekt ASP.NET Core 8 i starszy projekt .NET Framework 4.8 mogą korzystać z tej samej warstwy usług IronOCR. Bez kompilacji warunkowej, bez oddzielnych wersji bibliotek, bez warstwy abstrakcji maskującej niekompatybilne interfejsy API.

Podejście Tesseract.Net.SDK

Tesseract.Net.SDK zawiera natywne pliki binarne dla systemów Windows x86 i x64. Wywołania P/Invoke, które inicjują silnik Tesseract, odwołują się do tych bibliotek DLL systemu Windows. Na hosta Linux — w tym dowolnym kontenerze Docker opartym na mcr.microsoft.com/dotnet/aspnet:8.0, ubuntu lub alpine — biblioteka DLL nie może być załadowana, a aplikacja rzuca DllNotFoundException podczas uruchomienia.

Przykład przetwarzania równoległego z tesseract-net-sdk-pdf-processing.cs ilustruje, co to znaczy dla obciążeń wsadowych na samym Windows przed rozważeniem Linuxa:

// Windows-only: Parallel.ForEach with separate engine per thread
// Each engine loads ~40-100 MB per language
Parallel.ForEach(
    imagePaths,
    new ParallelOptions { MaxDegreeOfParallelism = 4 },
    imagePath =>
    {
        // WARNING: Must create separate OcrApi for each thread!
        // Memory usage: 4 threads × 100MB = 400MB minimum
        using (var api = OcrApi.Create())
        {
            api.Init(Languages.English);
            string text = api.GetTextFromImage(imagePath);
            results[imagePath] = text;
        }
    });

// Windows-only: Parallel.ForEach with separate engine per thread
// Each engine loads ~40-100 MB per language
Parallel.ForEach(
    imagePaths,
    new ParallelOptions { MaxDegreeOfParallelism = 4 },
    imagePath =>
    {
        // WARNING: Must create separate OcrApi for each thread!
        // Memory usage: 4 threads × 100MB = 400MB minimum
        using (var api = OcrApi.Create())
        {
            api.Init(Languages.English);
            string text = api.GetTextFromImage(imagePath);
            results[imagePath] = text;
        }
    });

Cztery wątki równoległe, cztery instancje silnika, 400 MB danych językowych ładowanych jednocześnie — i to tylko dla języka angielskiego. Dodaj niemiećki i francuski, a ta liczba się podwoi. SDK nie oferuje żadnego mechanizmu grupowania, który mógłby to złagodzić. Architektura jest niezgodna z nowoczesnymi limitami zasobów kontenerów, które zazwyczaj narzucają ograniczenia pamięci na pod.

Nie ma również ścieżki do Azure Functions w planie taryfowym Linux Consumption Plan, ścieżki doAWS Lambda(która działa na Amazon Linux) ani ścieżki do Google Cloud Run. Każda główna platforma bezserwerowa domyślnie korzysta z systemu Linux. Tesseract.Net.SDK jest z założenia wyłączony ze wszystkich tych projektów.

Podejście IronOCR

IronOCR wdraża się do Dockera bez dodatkowej konfiguracji poza jedną linią apt-get dla libgdiplus na obrazach opartych na Debianie. Przewodnik wdrażania Docker obejmuje zarówno kontenery Linux, jak i Windows. To samo dotyczy wdrożeń w systemie Linux, Azure i AWS.

Bezpieczeństwo wątków jest wbudowane w IronTesseract. Jedna instancja obsługuje wszystkich równoległych pracowników:

// Cross-platform: Windows, Linux, macOS, Docker
// Single instance — thread-safe
using IronOcr;

var ocr = new IronTesseract();

// Single engine instance shared across all threads
// Nie memory multiplication
Parallel.ForEach(imagePaths, imagePath =>
{
    using var input = new OcrInput();
    input.LoadImage(imagePath);
    var result = ocr.Read(input);
    SaveResult(imagePath, result.Text);
});

// Cross-platform: Windows, Linux, macOS, Docker
// Single instance — thread-safe
using IronOcr;

var ocr = new IronTesseract();

// Single engine instance shared across all threads
// Nie memory multiplication
Parallel.ForEach(imagePaths, imagePath =>
{
    using var input = new OcrInput();
    input.LoadImage(imagePath);
    var result = ocr.Read(input);
    SaveResult(imagePath, result.Text);
});

Imports IronOcr

' Cross-platform: Windows, Linux, macOS, Docker
' Single instance — thread-safe
Dim ocr As New IronTesseract()

' Single engine instance shared across all threads
' Nie memory multiplication
Parallel.ForEach(imagePaths, Sub(imagePath)
    Using input As New OcrInput()
        input.LoadImage(imagePath)
        Dim result = ocr.Read(input)
        SaveResult(imagePath, result.Text)
    End Using
End Sub)

Cztery wątki, jedna instancja silnika, jedna kopia danych językowych w pamięci. Przykład wielowątkowości z testami wydajności można znaleźć w dokumentacji IronOCR, która szczegółowo opisuje opcje konfiguracyjne.

Podejście Tesseract.Net.SDK

Tesseract.Net.SDK nie obsługuje plików PDF. Plik tesseract-net-sdk-pdf-processing.cs jest szczery co do tego ograniczenia w swoim nagłówku:

// ISTOTNE OGRANICZENIE:
// Tesseract.Net.SDK NIE obsługuje natywnie plików PDF.
// Najpierw musisz użyć osobnej biblioteki, aby przekonwertować strony PDF na obrazy.
// W tym przykładzie wykorzystano PdfiumViewer, ale alternatywami są:
// - iTextSharp
// - Ghostscript.NET
// - Docnet.Core

Rezultatem jest potok wielobiblioteczny. Zainstaluj PdfiumViewer. Przeanalizuj każdą stronę PDF do Bitmap przy 200–300 DPI. Zapisz tę bitmapę do pliku tymczasowego. Uruchom api.GetTextFromImage() na pliku tymczasowym. Usuń plik tymczasowy. Powtórz dla każdej strony. Zaimplementuj obsługę błędów w przypadku częściowych niepowodzeń w trakcie przetwarzania dokumentu. Zarządzaj pamięcią jawnie — przykład ProcessLargeTiff wymusza GC.Collect() co dziesięć stron, aby zapobiec błędom braku pamięci na dużych dokumentach.

To jest rzeczywisty kod produkcyjny, a nie uproszczony przykład. Działa wyłącznie w systemie Windows, wyłącznie w środowisku .NET Framework i wymaga dodatkowej komercyjnej lub open-source'owej biblioteki, która sama w sobie wymaga zarządzania wdrożeniem.

Podejście IronOCR

IronOCR odczytuje pliki PDF w sposób natywny. Bez dodatkowych bibliotek, bez plików tymczasowych, bez pętli renderowania stron:

// Native PDF OCR — no PdfiumViewer, no temp files
using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("scanned-report.pdf");   // native PDF support
var result = ocr.Read(input);

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

// Or produce a searchable PDF output
result.SaveAsSearchablePdf("searchable-report.pdf");

// Native PDF OCR — no PdfiumViewer, no temp files
using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadPdf("scanned-report.pdf");   // native PDF support
var result = ocr.Read(input);

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

// Or produce a searchable PDF output
result.SaveAsSearchablePdf("searchable-report.pdf");

Imports IronOcr

Dim ocr As New IronTesseract()

Using input As New OcrInput()
    input.LoadPdf("scanned-report.pdf") ' native PDF support
    Dim result = ocr.Read(input)

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

    ' Or produce a searchable PDF output
    result.SaveAsSearchablePdf("searchable-report.pdf")
End Using

PDFy chronione hasłem wymagają jednego dodatkowego parametru: input.LoadPdf("encrypted.pdf", Password: "secret"). Konkretne zakresy stron używają input.LoadPdfPages("document.pdf", 1, 10). Przewodnik w formacie PDF oraz instrukcja obsługi z funkcją wyszukiwania obejmują wszystkie warianty.

Przykład OCR pliku PDF pokazuje pełny wzorzec, w tym sprawdzanie pewności i uporządkowany wynik. Przykład pliku PDF z funkcją wyszukiwania ilustruje przypadek użycia archiwum dokumentów, w którym zeskanowane pliki PDF są indeksowane i można je przeszukiwać.

Podejście Tesseract.Net.SDK

Silniki Tesseract są wrażliwe na jakość obrazu. Dokumenty, które są przekrzywione, mają niską rozdzielczość lub zawierają zakłócenia, dają znacznie gorszy wynik bez wstępnego przetwarzania. Tesseract.Net.SDK nie oferuje żadnych.

Plik porównawczy migracji bezpośrednio określa różnicę:

// Tesseract.Net.SDK: Nie preprocessing available
// Direct OCR on problematic image = garbage output
using (var api = OcrApi.Create())
{
    api.Init(Languages.English);

    // Direct OCR on problematic image — poor results
    string text = api.GetTextFromImage(imagePath);
    return text;

    // To preprocess, you need:
    // 1. Install Emgu CV or OpenCvSharp
    // 2. Implement Hough transform for skew detection
    // 3. Implement affine rotation for deskew
    // 4. Implement FastNlMeansDenoising for noise reduction
    // 5. Handle all the native OpenCV dependencies
    // This is often 200+ lines of code
}

// Tesseract.Net.SDK: Nie preprocessing available
// Direct OCR on problematic image = garbage output
using (var api = OcrApi.Create())
{
    api.Init(Languages.English);

    // Direct OCR on problematic image — poor results
    string text = api.GetTextFromImage(imagePath);
    return text;

    // To preprocess, you need:
    // 1. Install Emgu CV or OpenCvSharp
    // 2. Implement Hough transform for skew detection
    // 3. Implement affine rotation for deskew
    // 4. Implement FastNlMeansDenoising for noise reduction
    // 5. Handle all the native OpenCV dependencies
    // This is often 200+ lines of code
}

Imports Tesseract
Imports System

' Tesseract.Net.SDK: Nie preprocessing available
' Direct OCR on problematic image = garbage output
Using api = OcrApi.Create()
    api.Init(Languages.English)

    ' Direct OCR on problematic image — poor results
    Dim text As String = api.GetTextFromImage(imagePath)
    Return text

    ' To preprocess, you need:
    ' 1. Install Emgu CV or OpenCvSharp
    ' 2. Implement Hough transform for skew detection
    ' 3. Implement affine rotation for deskew
    ' 4. Implement FastNlMeansDenoising for noise reduction
    ' 5. Handle all the native OpenCV dependencies
    ' This is often 200+ lines of code
End Using

Ten komentarz nie jest przesadą. Implementacja funkcji prostowania obrazu o jakości produkcyjnej przy użyciu OpenCV w .NET to 100–200 linii kodu obejmujących inicjalizację, wykrywanie kąta, obliczenia macierzowe i transformację afiniczną. Kod ten musi następnie zostać przetestowany, utrzymywany i wdrożony — z własnym natywnym łańcuchem zależności, który ponownie działa wyłącznie w systemie Windows.

Podejście IronOCR

IronOCR pakuje przetwarzanie wstępne jako metody API pierwszej klasy na OcrInput. Te same operacje, które wymagają integracji OpenCV w Tesseract.Net.SDK, są tutaj pojedynczymi wywołaniami metod:

// Wbudowane preprocessing — no external library required
using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadImage("skewed-invoice-scan.jpg");

input.Deskew();               // automatic angle detection and correction
input.DeNoise();              // scanner artifact removal
input.Contrast();             // contrast enhancement
input.Binarize();             // optimal threshold conversion
input.EnhanceResolution(300); // scale low-DPI images to 300 DPI

var result = ocr.Read(input);
Console.WriteLine($"Confidence: {result.Confidence}%");

// Wbudowane preprocessing — no external library required
using IronOcr;

var ocr = new IronTesseract();

using var input = new OcrInput();
input.LoadImage("skewed-invoice-scan.jpg");

input.Deskew();               // automatic angle detection and correction
input.DeNoise();              // scanner artifact removal
input.Contrast();             // contrast enhancement
input.Binarize();             // optimal threshold conversion
input.EnhanceResolution(300); // scale low-DPI images to 300 DPI

var result = ocr.Read(input);
Console.WriteLine($"Confidence: {result.Confidence}%");

Imports IronOcr

Dim ocr As New IronTesseract()

Using input As New OcrInput()
    input.LoadImage("skewed-invoice-scan.jpg")

    input.Deskew()               ' automatic angle detection and correction
    input.DeNoise()              ' scanner artifact removal
    input.Contrast()             ' contrast enhancement
    input.Binarize()             ' optimal threshold conversion
    input.EnhanceResolution(300) ' scale low-DPI images to 300 DPI

    Dim result = ocr.Read(input)
    Console.WriteLine($"Confidence: {result.Confidence}%")
End Using

Przewodnik po korekcji jakości obrazu oraz przewodnik po korekcji kolorów obrazu dokumentują wszystkie dostępne filtry wraz z porównaniami dokładności przed i po zastosowaniu. Przykład skanu o niskiej jakości pokazuje dane dotyczące poprawy dokładności w typowych, rzeczywistych warunkach dokumentów.

W przypadku konkretnych procesów związanych ze skanowanymi dokumentami, przewodnik po przetwarzaniu skanowanych dokumentów obejmuje w jednym artykułe wykrywanie orientacji, obsługę dokumentów wielostronicowych oraz optymalizację przepustowości przetwarzania partii.

Aktualizacja .NET wymusza podjęcie decyzji

Najczęstszym powodem nie jest niezadowolenie z jakości OCR — jest to planowana aktualizacja .NET Framework, która napotyka poważną przeszkodę na poziomie warstwy OCR. Zespół aktualizujący aplikację do zarządzania dokumentami z .NET Framework 4.7 do.NET 8odkrywa, że Tesseract.Net.SDK nie produkuje żadnego kompaktowego zestawu target framework. Aktualizacja albo się zawiesza, albo usługa OCR zostaje wyodrębniona do osobnego procesu działającego wyłącznie w systemie Windows i komunikującego się przez HTTP — co wprowadza dodatkowy węzeł sieciowy, oddzielny artefakt wdrożeniowy oraz nakładkę kompatybilnościową, którą trzeba utrzymywać w nieskończoność. Żaden z tych wyników nie jest akceptowalny dla większości zespołów, które są w trakcie aktualizacji. Zastąpienie Tesseract.Net.SDK przez IronOCR usuwa przeszkodę i pozwala na płynne przeprowadzenie aktualizacji, ponieważIronOCR działa jednocześnie zarówno na starym .NET Framework 4.6.2+, jak i nowym .NET 8, co oznacza, że usługa może być migrowana stopniowo.

Konteneryzacja potoku przetwarzania

Zadania związane z przetwarzaniem dokumentów są jednymi z pierwszych kandydatów do konteneryzacji: są bezstanowe, obciążają procesor i korzystają ze skalowania horyzontalnego. Zespół, który skontynuował konteneryzację pozostałej części swojego potoku, odkrywa, że Tesseract.Net.SDK zawodzi na etapie tworzenia obrazu Docker, gdy obrazem bazowym jest Linux. Do wyboru są kontenery Windows — które wiążą się z kosztami licencji, większymi rozmiarami obrazów i niekompatybilnością z większością zarządzanych usług Kubernetes, które domyślnie korzystają z pul węzłów Linux — lub biblioteka, która faktycznie obsługuje system Linux.IronOCR można wdrożyć w dowolnym kontenerze Linux przy użyciu standardowego pliku Dockerfile. Przewodnik wdrożeniowy Docker zawiera dokładną konfigurację pliku Dockerfile zarówno dla obrazów bazowych Debian, jak i Alpine.

Równoległe przetwarzanie wsadowe na dużą skalę

Potok przetwarzania faktur obsługujący 50 000 dokumentów dziennie z czterema równoległymi procesami wykorzystującymi Tesseract.Net.SDK przydziela co najmniej 400 MB tylko dla czterech instancji silnika załadowanych danymi w języku angielskim. Dodaj drugi język, a liczba ta podwoi się. Dodaj przetwarzanie wstępne za pomocą OpenCV, a zużycie pamięci jeszcze bardziej wzrośnie. Na serwerze o ograniczonych zasobach lub w środowisku kontenerowym z limitem pamięci wynoszącym 2 GB na pod, ta arytmetyka staje się przeszkodą we wdrożeniu. Model pojedynczej instancji IronOCR, bezpieczny dla wątków, eliminuje mnożenie pamięci na każdy wątek. Jedna instancja silnika obsługuje cztery, osiem lub szesnaście równoległych procesów roboczych przy użyciu jednego modelu językowego załadowanego jednorazowo. Przykład wielowątkowości ilustruje konfigurację.

Natywne procesy pracy z plikami PDF bez dodatkowych zależności

Organizacje, które otrzymują dokumenty głównie w formacie PDF — roszczenia ubezpieczeniowe, umowy, faktury, formularze podatkowe — borykają się z dodatkowym problemem związanym z Tesseract.Net.SDK: muszą utrzymywać bibliotekę renderowania PDF obok biblioteki OCR. Gdy PdfiumViewer lub iText wydają łatkę bezpieczeństwa, obie biblioteki wymagają skoordynowanych aktualizacji i testów regresyjnych. Gdy biblioteka PDF zawiera błąd powodujący nieprawidłowe renderowanie określonej wersji PDF, proces OCR generuje bezsensowny tekst bez wyraźnej przyczyny źródłowej. Natywna obsługa plików PDF przez IronOCR pozwala zredukować stos dwóch bibliotek do jednej. Jedna instalacja pakietu zastępuje obie. Strona poświęcona zastosowaniom OCR w plikach PDF obejmuje cały proces.

Wymagania dotyczące wdrożenia w Enterprise

Licencja Patagames na Tesseract.Net.SDK obejmuje wsparcie e-mail i na forum zapewniane przez jednego programistę. Nie ma umowy SLA, gwarantowanego czasu odpowiedzi ani ścieżki eskalacji. W przypadku zastosowań w branżach podlegających regulacjom — opiece zdrowotnej, finansach, administracji publicznej — zespoły ds. zamówień coraz częściej wymagają od dostawców oprogramowania udokumentowanych umów SLA, procesów ujawniania informacji dotyczących bezpieczeństwa oraz gwarancji ciągłości działania organizacji. Patagames, jako firma prowadzona przez pojedynczego programistę, nie jest w stanie spełnić tych wymagań.IronOCR został opracowany przez Iron Software, podmiot komercyjny oferujący dedykowane wsparcie, procesy bezpieczeństwa oraz warunki licencyjne zgodne z wymaganiami zakupowymi przedsiębiorstw. Strona licencyjna zawiera informacje o dostępnych poziomach wsparcia.

Wzorzec przestrzeni nazw i instancji

Zmiana kodu z Tesseract.Net.SDK na IronOCR jest niewielka. Zamień using Patagames.Ocr; na using IronOcr;. Zamień OcrApi.Create() na new IronTesseract(). Zamień api.Init(Languages.English) na ocr.Language = OcrLanguage.English. Logika działania kodu wywołującego nie ulega zmianie. Prosta usługa ekstrakcji danych może zostać przeniesiona w mniej niż godzinę.

// Before: Tesseract.Net.SDK
using Patagames.Ocr;

using (var api = OcrApi.Create())
{
    api.Init(Languages.English);
    return api.GetTextFromImage(imagePath);
}

// After: IronOCR
using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage(imagePath);
return ocr.Read(input).Text;

// Before: Tesseract.Net.SDK
using Patagames.Ocr;

using (var api = OcrApi.Create())
{
    api.Init(Languages.English);
    return api.GetTextFromImage(imagePath);
}

// After: IronOCR
using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage(imagePath);
return ocr.Read(input).Text;

Imports Patagames.Ocr

Using api = OcrApi.Create()
    api.Init(Languages.English)
    Return api.GetTextFromImage(imagePath)
End Using

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput()
    input.LoadImage(imagePath)
    Return ocr.Read(input).Text
End Using

Samouczek dotyczący odczytywania tekstu z obrazów oraz podstawowy przykład OCR zawierają kompletne, działające przykłady z walidacją danych wejściowych i sprawdzaniem pewności wyników.

Usuwanie folderu Tessdata

Po migracji cały folder tessdata/ można usunąć z projektu.IronOCR dołącza dane językowe do swoich pakietów NuGet. Usuń wszystkie odniesienia .traineddata z .csproj, usuń katalog tessdata ze skryptów wdrażania i usuń wszelkie kroki potoku CI/CD kopiujące pliki traineddata. Pakiety NuGet IronOcr.Languages.* instalują dane językowe jako część normalnego kroku przywracania pakietu — bez oddzielnego pobierania, bez ręcznej konfiguracji folderu, bez ustawień akcji budowy w Visual Studio. Przewodnik po wielu językach obejmuje instalację pakietów językowych.

Uproszczenie procesu przetwarzania plików PDF

Każdy kod, który instalował PdfiumViewer, iText lub Ghostscript.NET w celu renderowania stron PDF przed OCR, może zostać całkowicie usunięty. Zamień całą wielokrokową linię przetwarzania renderuj-do-pliku-tymczasowego-następnie-OCR na input.LoadPdf(pdfPath). Należy przeprowadzić testy z uwzględnieniem plików PDF chronionych hasłem, określonych zakresów stron oraz dużych dokumentów liczących ponad 100 stron — są to skrajne przypadki, w których podczas walidacji najprawdopodobniej ujawnią się różnice w zachowaniu.

Model wątków i czas życia instancji

Kod Tesseract.Net.SDK zazwyczaj tworzy jedną instancję OcrApi na żądanie lub na wątek, aby uniknąć problemów z bezpieczeństwem wątków.IronOCR jest bezpieczny w wątkach, więc instancja IronTesseract powinna być tworzona raz (na starcie aplikacji lub jako singleton w kontenerze DI) i ponownie wykorzystywana we wszystkich żądaniach. Tworzenie nowego IronTesseract() na żądanie marnuje nakład związany z inicjalizacją. Zarejestruj go jako singleton w kontenerze usług .NET Core i wstrzyknij tam, gdzie jest to potrzebne.