SDK de OCR for .NET : Uma biblioteca de reconhecimento de texto para C#

O que faz do IronOCR o SDK OCR for .NET certo para seu projeto?

Construir reconhecimento de texto do zero significa gerenciar pipelines de pré-processamento de imagem, arquivos de dados de idioma, modelos de thread e análise de saída -- meses de trabalho antes de extrair sua primeira palavra. O IronOCR elimina essa sobrecarga ao entregar um motor testado em batalha que sua equipe pode adicionar a um projeto em minutos.

Capacidades principais que o diferenciam das vinculações brutas do Tesseract:

• Reconhecimento de 125+ idiomas e scripts incluindo texto manuscrito
• Filtros embutidos: remoção de ruído, deskewing, binarização, aumento de resolução e correção de contraste
• Detecção de códigos de barras e códigos QR na mesma passada de leitura
• Geração de PDF pesquisável com camadas de texto invisíveis para fluxos de arquivamento
• Processamento assíncrono e em lote paralelo para pipelines de alta capacidade
• OCR zonal para direcionar regiões de página específicas para reduzir o tempo de processamento
• Suporte multiplataforma em Windows, Linux, macOS, Docker e Azure

De acordo com a documentação do projeto Tesseract OCR, o Tesseract bruto requer configuração manual para pacotes de idioma, configurações de DPI e modos de saída. O IronOCR lida com tudo isso automaticamente, permitindo que você se concentre no que o texto extraído significa, em vez de como extraí-lo.

Como você instala o SDK IronOCR .NET?

A instalação é feita através do NuGet, o gerenciador de pacotes padrão do .NET. Execute o seguinte comando no diretório do seu projeto:

Install-Package IronOcr

Para usuários do Visual Studio, procure por IronOcr na interface gráfica do Gerenciador de Pacotes NuGet e instale a partir de lá. Para obter opções completas de instalação, incluindo referências manuais de DLL, consulte a documentação de instalação do IronOCR.

Após a instalação, adicione a chave de licença ao início da sua aplicação ou appsettings.json. Você pode iniciar um teste gratuito para obter uma chave de teste que desbloqueia todos os recursos durante a avaliação.

using IronOcr;

// Minimal smoke test -- reads a single image and prints extracted text
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("sample.png");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;

// Minimal smoke test -- reads a single image and prints extracted text
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("sample.png");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

Como você extrai texto de imagens e PDFs em C#?

O padrão básico de extração é consistente em todos os tipos de entrada. Você cria uma instância IronTesseract, carrega conteúdo em um objeto OcrInput, e chama Read(). IronOCR detecta automaticamente o formato do arquivo a partir da extensão, de modo que o mesmo caminho de código manipula JPEG, PNG, TIFF, BMP e PDFs multipágina.

using IronOcr;

// Reusable OCR service encapsulating the IronTesseract engine
public class OcrService
{
    private readonly IronTesseract _ocr = new IronTesseract();

    public string ExtractText(string filePath)
    {
        using var input = new OcrInput();

        // LoadPdf for PDF files; LoadImage for raster formats
        if (filePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(filePath);
        else
            input.LoadImage(filePath);

        return _ocr.Read(input).Text;
    }

    public async Task<string> ExtractTextAsync(string filePath)
    {
        using var input = new OcrInput();

        if (filePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(filePath);
        else
            input.LoadImage(filePath);

        var result = await _ocr.ReadAsync(input);
        return result.Text;
    }
}

using IronOcr;

// Reusable OCR service encapsulating the IronTesseract engine
public class OcrService
{
    private readonly IronTesseract _ocr = new IronTesseract();

    public string ExtractText(string filePath)
    {
        using var input = new OcrInput();

        // LoadPdf for PDF files; LoadImage for raster formats
        if (filePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(filePath);
        else
            input.LoadImage(filePath);

        return _ocr.Read(input).Text;
    }

    public async Task<string> ExtractTextAsync(string filePath)
    {
        using var input = new OcrInput();

        if (filePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(filePath);
        else
            input.LoadImage(filePath);

        var result = await _ocr.ReadAsync(input);
        return result.Text;
    }
}

Ponto de entrada de alto nível para exercitar o serviço:

using IronOcr;

var service = new OcrService();
string text = await service.ExtractTextAsync("invoice.pdf");
Console.WriteLine(text);

using IronOcr;

var service = new OcrService();
string text = await service.ExtractTextAsync("invoice.pdf");
Console.WriteLine(text);

A instância IronTesseract é thread-safe e projetada para reutilização. Crie uma vez no início da aplicação (via injeção de dependência no ASP.NET Core, por exemplo) em vez de instanciar por solicitação.

Para PDFs de várias páginas, result.Pages oferece acesso por página ao texto, pontuação de confiança e caixas delimitadoras. Consulte o guia de OCR para PDFs multipágina para obter detalhes sobre a iteração página por página.

Como melhorar a precisão do OCR com filtros de pré-processamento?

Escaneamentos brutos de scanners de mesa, câmeras de smartphones ou máquinas de fax frequentemente sofrem de ruído, rotação, baixo contraste e resolução insuficiente. O pipeline de correção de qualidade de imagem do IronOCR aborda cada questão com filtros direcionados que você encadeia antes da chamada de leitura.

using IronOcr;

public class AccuracyOptimizedOcr
{
    private readonly IronTesseract _ocr = new IronTesseract();

    public string ProcessLowQualityDocument(string filePath)
    {
        using var input = new OcrInput();

        if (filePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(filePath);
        else
            input.LoadImage(filePath);

        // Chain preprocessing filters in order of operation
        input.DeNoise();              // Remove scan artifacts and speckling
        input.Deskew();               // Correct page tilt up to 35 degrees
        input.Scale(150);             // Enlarge small text for better recognition
        input.Binarize();             // Convert to black/white for cleaner edges
        input.EnhanceResolution(300); // Sharpen blurry or low-DPI input

        var result = _ocr.Read(input);

        // Confidence below 70 often signals a preprocessing mismatch
        if (result.Confidence < 70)
            Console.WriteLine($"Warning: low confidence ({result.Confidence:F1}%)");

        return result.Text;
    }
}

using IronOcr;

public class AccuracyOptimizedOcr
{
    private readonly IronTesseract _ocr = new IronTesseract();

    public string ProcessLowQualityDocument(string filePath)
    {
        using var input = new OcrInput();

        if (filePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(filePath);
        else
            input.LoadImage(filePath);

        // Chain preprocessing filters in order of operation
        input.DeNoise();              // Remove scan artifacts and speckling
        input.Deskew();               // Correct page tilt up to 35 degrees
        input.Scale(150);             // Enlarge small text for better recognition
        input.Binarize();             // Convert to black/white for cleaner edges
        input.EnhanceResolution(300); // Sharpen blurry or low-DPI input

        var result = _ocr.Read(input);

        // Confidence below 70 often signals a preprocessing mismatch
        if (result.Confidence < 70)
            Console.WriteLine($"Warning: low confidence ({result.Confidence:F1}%)");

        return result.Text;
    }
}

Orientação para seleção de filtros:

• DeNoise() -- use para digitalizações com muitos pontilhados ou artefatos de compressão
• Deskew() -- use quando documentos são fotografados em ângulo; consulte detecção de rotação de página para detecção automática
• Scale() -- use para impressão pequena ou entrada abaixo de 150 DPI; valores de 150-200 tipicamente produzem os melhores resultados
• Binarize() -- use para fundos coloridos ou em gradiente; converte imagem para preto/branco estrito
• EnhanceResolution() -- use para texto turvo ou de baixo contraste; almeja 300 DPI como o ponto ideal do Tesseract

Pesquisa publicada no International Journal on Document Analysis and Recognition consistentemente mostra que binarização e correção de inclinação são os dois passos de pré-processamento de maior impacto para melhorar taxas de reconhecimento de caracteres. Aplique ambos como base para qualquer linha de produção.

Como Construir um Pipeline de Processamento em Lote para Produção?

A extração de um único documento é direta, mas cenários de produção envolvem centenas ou milhares de arquivos chegando em filas, pastas compartilhadas ou armazenamento em nuvem. A API assíncrona e o mecanismo thread-safe do IronOCR o tornam adequado para cargas de trabalho paralelas.

using IronOcr;
using Microsoft.Extensions.Logging;

public class ProductionOcrService
{
    private readonly IronTesseract _ocr;
    private readonly ILogger<ProductionOcrService> _logger;

    public ProductionOcrService(ILogger<ProductionOcrService> logger)
    {
        _logger = logger;
        _ocr = new IronTesseract
        {
            Configuration =
            {
                RenderSearchablePdfsAndHocr = true,
                ReadBarCodes = true
            }
        };
    }

    public async Task<IReadOnlyList<string>> ProcessBatchAsync(
        IEnumerable<string> filePaths,
        int maxDegreeOfParallelism = 4)
    {
        var results = new System.Collections.Concurrent.ConcurrentBag<string>();

        var options = new ParallelOptions
        {
            MaxDegreeOfParallelism = maxDegreeOfParallelism
        };

        await Parallel.ForEachAsync(filePaths, options, async (filePath, ct) =>
        {
            try
            {
                using var input = new OcrInput();

                if (filePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
                    input.LoadPdf(filePath);
                else
                    input.LoadImage(filePath);

                var result = await _ocr.ReadAsync(input);
                results.Add(result.Text);
                _logger.LogInformation("Processed {FilePath} at {Confidence:F1}% confidence",
                    filePath, result.Confidence);
            }
            catch (Exception ex)
            {
                _logger.LogError(ex, "OCR failed for {FilePath}", filePath);
                results.Add(string.Empty);
            }
        });

        return results.ToList();
    }

    public void CreateSearchablePdf(string inputPath, string outputPath)
    {
        using var input = new OcrInput();

        if (inputPath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(inputPath);
        else
            input.LoadImage(inputPath);

        _ocr.Read(input).SaveAsSearchablePdf(outputPath);
        _logger.LogInformation("Searchable PDF written to {OutputPath}", outputPath);
    }
}

using IronOcr;
using Microsoft.Extensions.Logging;

public class ProductionOcrService
{
    private readonly IronTesseract _ocr;
    private readonly ILogger<ProductionOcrService> _logger;

    public ProductionOcrService(ILogger<ProductionOcrService> logger)
    {
        _logger = logger;
        _ocr = new IronTesseract
        {
            Configuration =
            {
                RenderSearchablePdfsAndHocr = true,
                ReadBarCodes = true
            }
        };
    }

    public async Task<IReadOnlyList<string>> ProcessBatchAsync(
        IEnumerable<string> filePaths,
        int maxDegreeOfParallelism = 4)
    {
        var results = new System.Collections.Concurrent.ConcurrentBag<string>();

        var options = new ParallelOptions
        {
            MaxDegreeOfParallelism = maxDegreeOfParallelism
        };

        await Parallel.ForEachAsync(filePaths, options, async (filePath, ct) =>
        {
            try
            {
                using var input = new OcrInput();

                if (filePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
                    input.LoadPdf(filePath);
                else
                    input.LoadImage(filePath);

                var result = await _ocr.ReadAsync(input);
                results.Add(result.Text);
                _logger.LogInformation("Processed {FilePath} at {Confidence:F1}% confidence",
                    filePath, result.Confidence);
            }
            catch (Exception ex)
            {
                _logger.LogError(ex, "OCR failed for {FilePath}", filePath);
                results.Add(string.Empty);
            }
        });

        return results.ToList();
    }

    public void CreateSearchablePdf(string inputPath, string outputPath)
    {
        using var input = new OcrInput();

        if (inputPath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(inputPath);
        else
            input.LoadImage(inputPath);

        _ocr.Read(input).SaveAsSearchablePdf(outputPath);
        _logger.LogInformation("Searchable PDF written to {OutputPath}", outputPath);
    }
}

O limite MaxDegreeOfParallelism evita o esgotamento da memória quando os arquivos são grandes. Um valor de 4 funciona bem em um servidor de quatro núcleos; aumente-o apenas após perfilar o uso da memória. Para implementações do Azure Functions ou AWS Lambda, defina a concorrência para 1 por instância de função e escale horizontalmente em vez disso.

CreateSearchablePdf gera um PDF onde a imagem original é preservada como uma camada visível e o texto reconhecido é incorporado de forma invisível abaixo dela. Isso permite a pesquisa em texto completo em visualizadores de PDF e indexação por motores de busca -- um requisito comum em sistemas de gerenciamento de documentos.

Como Extrair Dados Estruturados de Documentos Digitalizados?

A extração de texto é o primeiro passo. O segundo passo é analisar esse texto em campos digitados que sua aplicação possa atuar. Este padrão combina a passagem de leitura do IronOCR com o Regex do .NET para extrair dados estruturados de faturas, formulários e relatórios.

using IronOcr;
using System.Text.RegularExpressions;

public record Invoice(
    string? InvoiceNumber,
    DateOnly? Date,
    decimal? TotalAmount,
    string RawText
);

public class InvoiceOcrService
{
    private readonly IronTesseract _ocr = new IronTesseract();

    public Invoice ExtractInvoiceData(string invoicePath)
    {
        using var input = new OcrInput();

        if (invoicePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(invoicePath);
        else
            input.LoadImage(invoicePath);

        input.DeNoise();
        input.Deskew();

        var result = _ocr.Read(input);
        string text = result.Text;

        return new Invoice(
            InvoiceNumber: ExtractInvoiceNumber(text),
            Date: ExtractDate(text),
            TotalAmount: ExtractAmount(text),
            RawText: text
        );
    }

    private static string? ExtractInvoiceNumber(string text)
    {
        var match = Regex.Match(text, @"Invoice\s*#?:?\s*(\S+)", RegexOptions.IgnoreCase);
        return match.Success ? match.Groups[1].Value : null;
    }

    private static DateOnly? ExtractDate(string text)
    {
        // Numeric format: MM/DD/YYYY
        var numeric = Regex.Match(text, @"\b(\d{1,2}/\d{1,2}/\d{2,4})\b");
        if (numeric.Success && DateTime.TryParse(numeric.Groups[1].Value, out var d1))
            return DateOnly.FromDateTime(d1);

        // Written format: January 15, 2025
        var written = Regex.Match(text,
            @"\b(January|February|March|April|May|June|July|August|September|October|November|December)\s+(\d{1,2}),?\s+(\d{4})\b",
            RegexOptions.IgnoreCase);
        if (written.Success && DateTime.TryParse(written.Value, out var d2))
            return DateOnly.FromDateTime(d2);

        return null;
    }

    private static decimal? ExtractAmount(string text)
    {
        var match = Regex.Match(text, @"\$\s*(\d+(?:\.\d{2})?)");
        return match.Success && decimal.TryParse(match.Groups[1].Value, out var amt)
            ? amt
            : null;
    }
}

using IronOcr;
using System.Text.RegularExpressions;

public record Invoice(
    string? InvoiceNumber,
    DateOnly? Date,
    decimal? TotalAmount,
    string RawText
);

public class InvoiceOcrService
{
    private readonly IronTesseract _ocr = new IronTesseract();

    public Invoice ExtractInvoiceData(string invoicePath)
    {
        using var input = new OcrInput();

        if (invoicePath.EndsWith(".pdf", StringComparison.OrdinalIgnoreCase))
            input.LoadPdf(invoicePath);
        else
            input.LoadImage(invoicePath);

        input.DeNoise();
        input.Deskew();

        var result = _ocr.Read(input);
        string text = result.Text;

        return new Invoice(
            InvoiceNumber: ExtractInvoiceNumber(text),
            Date: ExtractDate(text),
            TotalAmount: ExtractAmount(text),
            RawText: text
        );
    }

    private static string? ExtractInvoiceNumber(string text)
    {
        var match = Regex.Match(text, @"Invoice\s*#?:?\s*(\S+)", RegexOptions.IgnoreCase);
        return match.Success ? match.Groups[1].Value : null;
    }

    private static DateOnly? ExtractDate(string text)
    {
        // Numeric format: MM/DD/YYYY
        var numeric = Regex.Match(text, @"\b(\d{1,2}/\d{1,2}/\d{2,4})\b");
        if (numeric.Success && DateTime.TryParse(numeric.Groups[1].Value, out var d1))
            return DateOnly.FromDateTime(d1);

        // Written format: January 15, 2025
        var written = Regex.Match(text,
            @"\b(January|February|March|April|May|June|July|August|September|October|November|December)\s+(\d{1,2}),?\s+(\d{4})\b",
            RegexOptions.IgnoreCase);
        if (written.Success && DateTime.TryParse(written.Value, out var d2))
            return DateOnly.FromDateTime(d2);

        return null;
    }

    private static decimal? ExtractAmount(string text)
    {
        var match = Regex.Match(text, @"\$\s*(\d+(?:\.\d{2})?)");
        return match.Success && decimal.TryParse(match.Groups[1].Value, out var amt)
            ? amt
            : null;
    }
}

Essa abordagem combina bem com OCR zonal quando você sabe exatamente onde cada campo aparece em um formulário. Fornecendo um retângulo delimitador, você ignora o reconhecimento de página inteira e direciona apenas a região que contém o número da fatura ou total -- reduzindo drasticamente o tempo de processamento para documentos de layout fixo.

Para cenários de extração mais avançados, incluindo tabelas e formulários estruturados, revise os exemplos de extração de dados do IronOCR no site do produto.

Como Lidar com OCR Multilíngue no .NET?

Muitas organizações processam documentos em mais de um idioma -- formulários de importação/exportação, contratos internacionais ou submissões de clientes multilíngues. O IronOCR lida com isso permitindo que você configure o pacote de idiomas antes da chamada de leitura.

using IronOcr;

// Configure multi-language recognition
var ocr = new IronTesseract();
ocr.Language = OcrLanguage.EnglishBest;  // Swap for any of 125+ supported languages

// For mixed-language documents, combine language packs
ocr.AddSecondaryLanguage(OcrLanguage.German);

using var input = new OcrInput();
input.LoadPdf("multilingual-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;

// Configure multi-language recognition
var ocr = new IronTesseract();
ocr.Language = OcrLanguage.EnglishBest;  // Swap for any of 125+ supported languages

// For mixed-language documents, combine language packs
ocr.AddSecondaryLanguage(OcrLanguage.German);

using var input = new OcrInput();
input.LoadPdf("multilingual-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

A página de suporte de idiomas do IronOCR lista mais de 125 pacotes de idiomas disponíveis com instruções de download. Os pacotes de linguagem são enviados como pacotes NuGet (por exemplo, IronOcr.Languages.German) para que se integrem com o mesmo fluxo de gerenciamento de pacotes que você já usa.

Para conjuntos de caracteres fora do alfabeto latino -- Árabe, Chinês, Japonês, Coreano -- o IronOCR fornece modelos otimizados que lidam com direção de texto da direita para a esquerda e scripts ideográficos. Veja o guia de OCR CJK para especificações de configuração.

Quais são os seus próximos passos?

Agora você tem os padrões necessários para adicionar OCR em nível de produção para qualquer aplicação .NET 10: extração básica de texto, pré-processamento para digitalizações difíceis, processamento em lote assíncrono, análise de dados estruturados e suporte multilíngue.

A partir daqui, explore essas áreas com base nas necessidades do seu projeto:

• Leitura de código de barras e QR -- extraia códigos legíveis por máquina na mesma passada da imagem
• Formato de saída HOCR -- obtenha caixas delimitadoras de palavras para processamento subsequente ciente do layout
• Opções de licenciamento do IronOCR -- modelo de distribuição isento de royalties com SaaS, OEM e camadas empresariais
• Biblioteca de exemplos de código do IronOCR -- mais de 30 exemplos funcionais cobrindo cenários comuns
• Guia de implementação do Azure Functions -- OCR sem servidor na infraestrutura de nuvem da Microsoft

Comece com a licença de teste gratuito para avaliar o conjunto completo de recursos em seus próprios documentos antes de se comprometer com um nível.

Instalar com NuGet

PM >  Install-Package IronOcr

Confira o IronOCR no NuGet para uma instalação rápida. Com mais de 10 milhões de downloads, ele está transformando o desenvolvimento de PDFs com C#. Você também pode baixar o arquivo DLL ou o instalador para Windows .