Tesseract C# vs IronOCR: Qual biblioteca OCR você deve usar no .NET?

Direcionamento do .NET Framework Legado na Prática

O limite rígido do .NET Framework 4.5 não é apenas uma questão de marcar uma caixa de seleção — ele molda todas as decisões arquitetônicas subsequentes. Um projeto que depende de Tesseract.Net.SDK não pode ter como alvo <TargetFramework>net8.0</TargetFramework> em seu .csproj. Ele não pode ser construído por um runner do GitHub Actions usando mcr.microsoft.com/dotnet/sdk:8.0. Não pode ser implantado em um pod do Kubernetes que execute um contêiner Linux. Não momento em que o restante da organização ultrapassar essa linha, o serviço de OCR se tornará órfão.

O próprio código de inicialização do SDK expõe isso diretamente. O padrão básico de uso em tesseract-net-sdk-basic-ocr.cs inclui um guarda de plataforma Windows explícito:

// 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

Duas verificações defensivas aparecem antes de uma única linha de trabalho de OCR: confirmar Windows, confirmar tessdata. Em qualquer host que não seja Windows, o método gera uma exceção antes de alcançar o mecanismo. Em qualquer máquina onde a pasta tessdata não foi copiada durante a implantação, a exceção ocorre novamente. Nenhuma das verificações é padronizada — ambas representam modos de falha que os desenvolvedores encontram em produção.

Comparação Detalhada de Recursos

Abordagem do SDK Tesseract .NET

O SDK do Tesseract for .NET é compatível com o .NET Framework 2.0 até o 4.5. Todo projeto que depende dele deve ser compatível com uma dessas versões do framework. O arquivo de comparação de migração confirma essa restrição na seção de configuração:

// 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

O padrão using (var api = OcrApi.Create()) é idiomático do .NET Framework 2.0. Ele usa a declaração using do C# 1.0 em vez da declaração using var do C# 8.0. O namespace é Patagames.Ocr. A combinação de idiomas utiliza a operação OR bit a bit em uma enumeração. Nenhum desse código compila contra um alvo de framework net6.0 ou net8.0 em um arquivo de projeto estilo SDK, porque o próprio Tesseract.Net.SDK não produz um assembly compatível.

As equipes que estão presas ao .NET Framework 4.5 não estão presas a ele por preferência. Elas estão lá porque as dependências — às vezes incluindo uma biblioteca OCR — não podem ser atualizadas. A escolha do Tesseract .NET.SDK aprofunda essa cadeia de dependências.

Abordagem IronOCR

O IronOCR é compatível com o .NET Framework 4.6.2 e com todos os runtimes .NET modernos até o .NET 9. O mesmo pacote binário funciona em todos eles. A atualização de um projeto do .NET Framework 4.8 para o.NET 8não requer a substituição da biblioteca 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}%")

Não é possível usar a operação OR bit a bit em enumerações de linguagem. Não existe pasta tessdata. Sem verificação de plataforma. O guia de configuração do IronTesseract abrange as opções de configuração para todos os ambientes de execução suportados em um único documento.

A consequência prática para equipes em meio à migração: um projeto ASP.NET Core 8 e um projeto legado .NET Framework 4.8 podem compartilhar a mesma camada de serviço IronOCR. Sem compilação condicional, sem versões de biblioteca separadas, sem camada de abstração para mascarar APIs incompatíveis.

Abordagem do SDK Tesseract .NET

O Tesseract .NET.SDK inclui binários nativos para Windows x86 e x64. As chamadas P/Invoke que inicializam o mecanismo Tesseract são resolvidas para essas DLLs do Windows. Em um host Linux — incluindo qualquer contêiner Docker baseado em mcr.microsoft.com/dotnet/aspnet:8.0, ubuntu ou alpine — o DLL não pode ser carregado, e o aplicativo lança DllNotFoundException em tempo de execução.

O exemplo de processamento paralelo de tesseract-net-sdk-pdf-processing.cs ilustra o que isso significa para cargas de trabalho em lote no próprio Windows antes mesmo de considerar o Linux:

// 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;
        }
    });

Quatro threads paralelas, quatro instâncias do mecanismo de busca, 400 MB de dados linguísticos carregados simultaneamente — e isso apenas para o inglês. Adicione o alemão e o francês e essa base dobra. O SDK não oferece nenhum mecanismo de agrupamento para mitigar isso. A arquitetura é incompatível com os limites de recursos dos contêineres modernos, que normalmente impõem tetos de memória por pod.

Também não existe uma opção para o Azure Functions em um Plano de Consumo Linux, nem para oAWS Lambda(que é executado no Amazon Linux), e nem para o Google Cloud Run. Todas as principais plataformas serverless utilizam Linux por padrão. O SDK do Tesseract .NET foi excluído de todas elas por design.

Abordagem IronOCR

O IronOCR é implantado no Docker sem configuração adicional além de uma única linha apt-get para libgdiplus em imagens baseadas em Debian. O guia de implantação do Docker abrange contêineres Linux e Windows. O mesmo se aplica a implementações Linux , Azure e AWS .

A segurança de thread está integrada em IronTesseract. Uma única instância atende a todos os trabalhadores em paralelo:

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

var ocr = new IronTesseract();

// Single engine instance shared across all threads
// Não 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
// Não 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
' Não 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)

Quatro threads, uma instância do mecanismo, uma cópia dos dados de linguagem na memória. Para um exemplo de multithreading com benchmarks de throughput, a documentação do IronOCR aborda as opções de configuração em detalhes.

Abordagem do SDK Tesseract .NET

O SDK do Tesseract for .NET não oferece suporte a PDF. O arquivo tesseract-net-sdk-pdf-processing.cs é franco sobre essa limitação em seu cabeçalho:

// LIMITAÇÃO CRÍTICA:
// O SDK do Tesseract for .NET NÃO oferece suporte nativo à entrada de PDFs.
Você precisa usar uma biblioteca separada para converter páginas PDF em imagens primeiro.
// Este exemplo usa o PdfiumViewer, mas alternativas incluem:
// - iTextSharp
// - Ghostscript .NET
// - Docnet.Core

O resultado é um pipeline de múltiplas bibliotecas. Instale PdfiumViewer. Renderize cada página PDF para um Bitmap a 200–300 DPI. Escreva esse bitmap em um arquivo temporário. Execute api.GetTextFromImage() no arquivo temp. Exclua o arquivo temp. Repita para cada página. Implementar tratamento de erros para falhas parciais no meio do documento. Gerencie a memória explicitamente — o exemplo ProcessLargeTiff força GC.Collect() a cada dez páginas para evitar erros de falta de memória em documentos grandes.

Esse é o código de produção real, não um exemplo simplificado. Ele funciona apenas no Windows, apenas no .NET Framework, e requer uma segunda dependência comercial ou de código aberto que, por sua vez, precisa de gerenciamento de implantação.

Abordagem IronOCR

O IronOCR lê PDFs nativamente. Sem biblioteca secundária, sem arquivos temporários, sem loop de renderização de página:

// 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

PDFs protegidos por senha exigem um parâmetro adicional: input.LoadPdf("encrypted.pdf", Password: "secret"). Intervalos de páginas específicas usam input.LoadPdfPages("document.pdf", 1, 10). O guia de entrada em PDF e o manual de instruções em PDF com função de busca abrangem todas as variantes.

O exemplo de OCR em PDF mostra o padrão completo, incluindo verificação de confiança e saída estruturada. O exemplo de PDF pesquisável demonstra o caso de uso de arquivo de documentos, onde PDFs digitalizados são indexados e podem ser pesquisados.

Abordagem do SDK Tesseract .NET

Os motores Tesseract são sensíveis à qualidade da imagem. Documentos distorcidos, de baixa resolução ou com ruído produzem resultados significativamente degradados sem pré-processamento. O SDK do Tesseract .NET não oferece nenhum.

O arquivo de comparação de migração quantifica a diferença diretamente:

// Tesseract.Net.SDK: Não 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: Não 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.Net.SDK

' Tesseract.Net.SDK: Não 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

O comentário não é um exagero. Uma implementação de correção de desalinhamento de qualidade de produção usando OpenCV em .NET consiste em 100 a 200 linhas de inicialização, detecção de ângulo, computação de matriz e transformação afim. Esse código precisa então ser testado, mantido e implantado — com sua própria cadeia de dependências nativa, que, por sua vez, só funciona no Windows.

Abordagem IronOCR

O IronOCR agrupa o pré-processamento como métodos de API de primeira classe em OcrInput. As mesmas operações que exigem integração com o OpenCV no Tesseract .NET.SDK são, aqui, chamadas de método únicas:

// Embutido 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}%");

// Embutido 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

O guia de correção da qualidade da imagem e o guia de correção da cor da imagem documentam todos os filtros disponíveis, com comparações de precisão antes e depois da aplicação dos filtros. O exemplo de digitalização de baixa qualidade mostra os números de melhoria de precisão para condições típicas de documentos do mundo real.

Especificamente para fluxos de trabalho com documentos digitalizados, o guia de processamento de documentos digitalizados aborda a detecção de orientação, o manuseio de várias páginas e a otimização da produtividade em lote em um único artigo.

A atualização do .NET força o problema.

O gatilho mais comum não é a insatisfação com a qualidade do OCR — trata-se de uma atualização planejada do .NET Framework que encontra um obstáculo na camada de OCR. Uma equipe atualizando um aplicativo de gerenciamento de documentos do .NET Framework 4.7 para.NET 8descobre que Tesseract.Net.SDK não produz um assembly de framework de destino compatível. A atualização trava ou o serviço OCR fica isolado em um processo separado, exclusivo do Windows, que se comunica via HTTP — o que introduz um salto de rede, um artefato de implantação separado e uma camada de compatibilidade que precisa ser mantida indefinidamente. Nenhum dos dois resultados é aceitável para a maioria das equipes que estão em processo ativo de atualização. A substituição do Tesseract .NET.SDK pelo IronOCR remove o bloqueio e permite que a atualização prossiga sem problemas, pois o IronOCR funciona simultaneamente tanto no antigo.NET Framework 4.6.2+quanto no novo .NET 8, o que significa que o serviço pode ser migrado incrementalmente.

Containerização do Pipeline de Processamento

As cargas de trabalho de processamento de documentos estão entre as primeiras candidatas à conteinerização: elas não possuem estado, são limitadas pela CPU e se beneficiam da escalabilidade horizontal. Uma equipe que conteinerizou o restante de seu pipeline descobriu que o Tesseract .NET.SDK falha na etapa de construção da imagem Docker quando a imagem base é Linux. As opções são contêineres do Windows — que acarretam custos de licenciamento, tamanhos de imagem maiores e incompatibilidade com a maioria dos serviços gerenciados do Kubernetes, que usam pools de nós Linux por padrão — ou uma biblioteca que realmente ofereça suporte ao Linux. O IronOCR pode ser implantado em qualquer contêiner Linux com um Dockerfile padrão. O guia de implantação do Docker fornece a configuração exata do Dockerfile para imagens base Debian e Alpine.

Processamento paralelo em lotes em escala

Um pipeline de processamento de faturas que lida com 50.000 documentos por dia com quatro trabalhadores paralelos usando o Tesseract .NET.SDK aloca um mínimo de 400 MB apenas para as quatro instâncias do mecanismo carregadas com dados em inglês. Adicionar um segundo idioma dobra esse número. Ao adicionar o pré-processamento via OpenCV, o consumo de memória aumenta ainda mais. Em um servidor com recursos limitados ou em uma implantação em contêineres com um limite de memória de 2 GB por pod, esse cálculo se torna um obstáculo para a implantação. O modelo de instância única e thread-safe do IronOCR elimina a multiplicação de memória por thread. Uma instância do mecanismo lida com quatro, oito ou dezesseis trabalhadores paralelos com um único modelo de linguagem carregado uma única vez. O exemplo de multithreading demonstra a configuração.

Fluxos de trabalho nativos em PDF sem dependência secundária

Organizações que recebem documentos principalmente em formato PDF — como pedidos de indenização de seguros, contratos, faturas e formulários fiscais — enfrentam um problema adicional com o Tesseract .NET.SDK: elas precisam manter uma biblioteca de renderização de PDF juntamente com a biblioteca de OCR. Quando PdfiumViewer ou iText lança um patch de segurança, ambas as bibliotecas precisam de atualizações coordenadas e testes de regressão. Quando a biblioteca PDF apresenta um erro ao renderizar uma versão específica do PDF, o pipeline de OCR produz texto ilegível sem causa aparente. O suporte nativo a PDF do IronOCR reduz essa pilha de duas bibliotecas a apenas uma. A instalação de um único pacote substitui ambos. A página sobre casos de uso de OCR em PDF aborda todo o fluxo de trabalho.

Requisitos de Implantação Enterprise

A licença Patagames para o SDK Tesseract .NET inclui suporte por e-mail e fórum fornecido por um único desenvolvedor. Não há SLA, tempo de resposta garantido ou canal de escalonamento. Para aplicações em setores regulamentados — saúde, finanças, governo — as equipes de compras exigem cada vez mais que os fornecedores de software forneçam SLAs documentados, processos de divulgação de segurança e garantias de continuidade organizacional. A Patagames, sendo operada por um desenvolvedor individual, não consegue atender a esses requisitos. O IronOCR é desenvolvido pela Iron Software, uma entidade comercial com suporte dedicado, processos de segurança e termos de licenciamento compatíveis com os requisitos de aquisição Enterprise . A página de licenciamento documenta os níveis de suporte disponíveis.

Padrão de Namespace e Instância

A mudança de código do Tesseract .NET.SDK para o IronOCR é superficial. Substitua using Patagames.Ocr; por using IronOcr;. Substitua OcrApi.Create() por new IronTesseract(). Substitua api.Init(Languages.English) por ocr.Language = OcrLanguage.English. A lógica funcional do código que faz a chamada não se altera. Um serviço de extração simples pode ser migrado em menos de uma hora.

// 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

O tutorial de leitura de texto a partir de imagens e o exemplo básico de OCR fornecem amostras completas e executáveis ​​com validação de entrada e verificação de confiança.

Remoção da pasta Tessdata

Após a migração, a pasta tessdata/ inteira pode ser excluída do projeto. O IronOCR inclui dados linguísticos em seus pacotes NuGet . Remova todas as referências .traineddata do .csproj, remova o diretório tessdata dos scripts de implantação e remova todas as etapas do pipeline CI/CD que copiam arquivos traineddata. Os pacotes NuGet IronOcr.Languages.* instalam dados de idioma como parte da etapa normal de restauração de pacotes — sem download separado, sem configuração manual de pastas, sem configurações de ação de compilação no Visual Studio. O guia para vários idiomas aborda a instalação de pacotes de idiomas.

Simplificação do Pipeline em PDF

Qualquer código que instalou PdfiumViewer, iText, ou Ghostscript.NET para o propósito de renderização de páginas PDF antes do OCR pode ser totalmente removido. Substitua todo o pipeline de múltiplas etapas renderizar-para-arquivo-temp-então-OCR por input.LoadPdf(pdfPath). Teste especificamente PDFs protegidos por senha, intervalos de páginas específicos e documentos grandes com mais de 100 páginas — esses são os casos extremos com maior probabilidade de revelar diferenças de comportamento durante a validação.

Modelo de Thread e Tempo de Vida da Instância

O código do Tesseract.Net.SDK normalmente cria uma instância OcrApi por pedido ou por thread para evitar problemas de segurança de thread. O IronOCR é seguro para threads, então a instância IronTesseract deve ser criada uma vez (na inicialização do aplicativo ou como um singleton em um contêiner DI) e reutilizada em todos os pedidos. Criar uma nova IronTesseract() por pedido desperdiça a sobrecarga de inicialização. Registre-o como um singleton no contêiner de serviços do ASP.NET Core e injete-o onde for necessário.