MODI OCR C# ile IronOCR: C#'de Doğru Optik Karakter Tanıma Kütüphanesi Seçimi

Motor Başlatma ve tessdata Bağımlılığı

HerTesseractOCRişlemi Engine başlatılmasıyla başlar ve bu başlatma, manuel olarak harici depolardan indirilen dil .traineddata dosyalarını içeren bir tessdata klasörü gerektirir:

// tessdata/eng.traineddata must exist before this line runs
// Downloaded separately: curl -L -o tessdata/eng.traineddata
//   https://github.com/tesseract-ocr/tessdata_best/raw/main/eng.traineddata
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
using var image = TesseractOCR.Pix.Image.LoadFromFile("document.png");
using var page = engine.Process(image);

string text = page.Text;
float confidence = page.MeanConfidence; // Returns 0.0-1.0 float

// tessdata/eng.traineddata must exist before this line runs
// Downloaded separately: curl -L -o tessdata/eng.traineddata
//   https://github.com/tesseract-ocr/tessdata_best/raw/main/eng.traineddata
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
using var image = TesseractOCR.Pix.Image.LoadFromFile("document.png");
using var page = engine.Process(image);

string text = page.Text;
float confidence = page.MeanConfidence; // Returns 0.0-1.0 float

Imports TesseractOCR

' tessdata/eng.traineddata must exist before this line runs
' Downloaded separately: curl -L -o tessdata/eng.traineddata
'   https://github.com/tesseract-ocr/tessdata_best/raw/main/eng.traineddata
Using engine As New Engine("./tessdata", Language.English, EngineMode.Default)
    Using image As Pix.Image = TesseractOCR.Pix.Image.LoadFromFile("document.png")
        Using page As Page = engine.Process(image)
            Dim text As String = page.Text
            Dim confidence As Single = page.MeanConfidence ' Returns 0.0-1.0 float
        End Using
    End Using
End Using

Engine yapıcı, tessdata dizin yolunu ve bir Language enum değerini kabul eder. Eğer dizin mevcut değilse, .traineddata dosyası eksikse veya dosya sürümü Tesseract motor sürümüyle eşleşmiyorsa, başlatma hatası atar. Bunlar, herhangi bir Tesseract sarmalayıcıyla en yaygın üç üretim hatasıdır veTesseractOCRtümünü devralır. Projenin kendi README'si, motoru oluşturmayı denemeden önce tessdata klasörünü ve bireysel dil dosyalarını kontrol eden savunmacı doğrulama kodu içerir — bu, geliştiricilerin bu sorunu ne kadar sık karşılaştığını gösterir.

Ayrıntılı Özellik Karşılaştırması

TesseractOCR Yaklaşımı

Bu depodaki basic-ocr.cs dosyası, proje tarafından herhangi bir OCR işleminden önce çalıştırılması önerilen bir ValidateTessData() yöntemi içerir. Bu savunmacı desen, hatalı bir mod olan — bir TesseractException hatası hattın ortasında atıldığında — kitaplığın kendi örneklerinin bile bu durumdan koruma sağladığı yeterince yaygın bir hata moduyla var.

// From BasicOcrService in tesseractocr-basic-ocr.cs
private void ValidateTessData()
{
    if (!Directory.Exists(_tessDataPath))
    {
        throw new DirectoryNotFoundException(
            $"tessdata folder not found at: {_tessDataPath}\n" +
            "Download traineddata files from: https://github.com/tesseract-ocr/tessdata_best");
    }

    string engTrainedData = Path.Combine(_tessDataPath, "eng.traineddata");
    if (!File.Exists(engTrainedData))
    {
        throw new FileNotFoundException(
            $"eng.traineddata not found in {_tessDataPath}\n" +
            "Download from: https://github.com/tesseract-ocr/tessdata_best/raw/main/eng.traineddata");
    }
}

// From BasicOcrService in tesseractocr-basic-ocr.cs
private void ValidateTessData()
{
    if (!Directory.Exists(_tessDataPath))
    {
        throw new DirectoryNotFoundException(
            $"tessdata folder not found at: {_tessDataPath}\n" +
            "Download traineddata files from: https://github.com/tesseract-ocr/tessdata_best");
    }

    string engTrainedData = Path.Combine(_tessDataPath, "eng.traineddata");
    if (!File.Exists(engTrainedData))
    {
        throw new FileNotFoundException(
            $"eng.traineddata not found in {_tessDataPath}\n" +
            "Download from: https://github.com/tesseract-ocr/tessdata_best/raw/main/eng.traineddata");
    }
}

Private Sub ValidateTessData()
    If Not Directory.Exists(_tessDataPath) Then
        Throw New DirectoryNotFoundException(
            $"tessdata folder not found at: {_tessDataPath}" & vbCrLf &
            "Download traineddata files from: https://github.com/tesseract-ocr/tessdata_best")
    End If

    Dim engTrainedData As String = Path.Combine(_tessDataPath, "eng.traineddata")
    If Not File.Exists(engTrainedData) Then
        Throw New FileNotFoundException(
            $"eng.traineddata not found in {_tessDataPath}" & vbCrLf &
            "Download from: https://github.com/tesseract-ocr/tessdata_best/raw/main/eng.traineddata")
    End If
End Sub

Çok dilli OCR sorunu büyütür. Her dil kendi .traineddata dosyasını gerektirir — dil başına 15 ila 50 MB — ve dosyalar, doğru depolu sürümden gelmelidir. tessdata_best deposu daha yüksek doğruluk sağlar, ancak daha yavaş işler; tessdata_fast hızı karşılığında doğruluğu değiştirir. Sürümleri karıştırmak veya Tesseract 5.x motoru ile Tesseract 4.x için derlenmiş tessdata dosyalarını kullanmak, herhangi bir hata sinyali olmadan sessiz doğruluk bozulmasına neden olur.

Docker dağıtımları için, tessdata dosyaları ya imaj içine yerleştirilmeli ya da bilinen bir yolda monte edilmelidir. CI/CD boru hatları için, indirme adımı betik yazılmalı ve önbelleğe alınmalıdır. Hava geçirmez ortamlar için dosyalar ön aşamalı olmalıdır. Her dağıtım yapılandırması, burada başarısız olabilir.

// Multi-language requires each .traineddata file pre-downloaded
// eng.traineddata + fra.traineddata + deu.traineddata all required
using var engine = new Engine(@"./tessdata",
    Language.English | Language.French | Language.German,
    EngineMode.Default);

// If any traineddata file is missing, this throws at construction time
using var image = TesseractOCR.Pix.Image.LoadFromFile(imagePath);
using var page = engine.Process(image);

return page.Text;

// Multi-language requires each .traineddata file pre-downloaded
// eng.traineddata + fra.traineddata + deu.traineddata all required
using var engine = new Engine(@"./tessdata",
    Language.English | Language.French | Language.German,
    EngineMode.Default);

// If any traineddata file is missing, this throws at construction time
using var image = TesseractOCR.Pix.Image.LoadFromFile(imagePath);
using var page = engine.Process(image);

return page.Text;

Imports TesseractOCR

' Multi-language requires each .traineddata file pre-downloaded
' eng.traineddata + fra.traineddata + deu.traineddata all required
Using engine As New Engine("./tessdata", Language.English Or Language.French Or Language.German, EngineMode.Default)

    ' If any traineddata file is missing, this throws at construction time
    Using image As TesseractOCR.Pix.Image = TesseractOCR.Pix.Image.LoadFromFile(imagePath)
        Using page As Page = engine.Process(image)
            Return page.Text
        End Using
    End Using
End Using

IronOCR Yaklaşımı

IronOCR, NuGet paketleri olarak dil desteğini gönderir. İngilizce, çekirdek paketin içinde yer alır. Ek diller tek bir komutla yüklenir ve yol konfigürasyonu gerektirmez:

// dotnet add package IronOcr.Languages.French
// dotnet add package IronOcr.Languages.German
//Hayırtessdata folder, no download scripts, no path validation

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

using var input = new OcrInput();
input.LoadImage(imagePath);
var result = ocr.Read(input);

return result.Text;

// dotnet add package IronOcr.Languages.French
// dotnet add package IronOcr.Languages.German
//Hayırtessdata folder, no download scripts, no path validation

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

using var input = new OcrInput();
input.LoadImage(imagePath);
var result = ocr.Read(input);

return result.Text;

Imports IronOcr

' dotnet add package IronOcr.Languages.French
' dotnet add package IronOcr.Languages.German
'Hayırtessdata folder, no download scripts, no path validation

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

Using input As New OcrInput()
    input.LoadImage(imagePath)
    Dim result = ocr.Read(input)

    Return result.Text
End Using

Dil paketi bir NuGet bağımlılığıdır, versiyonlanmıştır, otomatik olarak geri yüklenir ve uygulamanın ikili dosyası ile dağıtılır. Dış GitHub depoları yok, curl betikleri yok, dosyaları çıktı dizinine kopyalamak için yapı sistemi konfigürasyonu yok. İzole yapılandırmalar için, diğer tüm paketlerde olduğu gibi NuGet paketi çevrimdışı olarak özel bir beslemeyle geri yüklenebilir. çoklu diller kılavuzu, desteklenen tüm 125+ dilin kurulumu hakkında bilgi verir.

TesseractOCR Yaklaşımı

Bu havuzdaki migration-comparison.cs dosyası, TesseractOCR'un ihtiyaç duyduğu ön işleme modelini gösterir. Dış görüntü kitaplığı (bu durumda SixLabors.ImageSharp) eklenmeli, manuel filtre parametreleri ayarlanmalı ve ön işlenmiş görüntü, TesseractOCR'nin okuyabilmesi için bir geçici dosyaya yazılmalıdır — çünkü TesseractOCR.Pix.Image API'si bir dosya yolu bekler:

// Requires: dotnet add package SixLabors.ImageSharp
// Manual preprocessing — each parameter requires tuning per document type

using var image = Image.Load(imagePath);

image.Mutate(x => x.Grayscale());
image.Mutate(x => x.Contrast(1.5f));         // 1.5 is a guess; tune per use case
image.Mutate(x => x.GaussianBlur(0.5f));     // Denoise with blur
image.Mutate(x => x.BinaryThreshold(0.5f)); // Threshold requires manual tuning

// Deskew is NOT in ImageSharp — requires separate Hough transform implementation
// (~50-100 additional lines)

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

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

    return page.Text;
}
finally
{
    File.Delete(tempPath); // Clean up temp file
}

// Requires: dotnet add package SixLabors.ImageSharp
// Manual preprocessing — each parameter requires tuning per document type

using var image = Image.Load(imagePath);

image.Mutate(x => x.Grayscale());
image.Mutate(x => x.Contrast(1.5f));         // 1.5 is a guess; tune per use case
image.Mutate(x => x.GaussianBlur(0.5f));     // Denoise with blur
image.Mutate(x => x.BinaryThreshold(0.5f)); // Threshold requires manual tuning

// Deskew is NOT in ImageSharp — requires separate Hough transform implementation
// (~50-100 additional lines)

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

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

    return page.Text;
}
finally
{
    File.Delete(tempPath); // Clean up temp file
}

Imports SixLabors.ImageSharp
Imports SixLabors.ImageSharp.Processing
Imports TesseractOCR
Imports System.IO

' Requires: dotnet add package SixLabors.ImageSharp
' Manual preprocessing — each parameter requires tuning per document type

Dim image As Image = Image.Load(imagePath)

image.Mutate(Sub(x) x.Grayscale())
image.Mutate(Sub(x) x.Contrast(1.5F))         ' 1.5 is a guess; tune per use case
image.Mutate(Sub(x) x.GaussianBlur(0.5F))     ' Denoise with blur
image.Mutate(Sub(x) x.BinaryThreshold(0.5F))  ' Threshold requires manual tuning

' Deskew is NOT in ImageSharp — requires separate Hough transform implementation
' (~50-100 additional lines)

Dim tempPath As String = Path.GetTempFileName() & ".png"
Try
    image.Save(tempPath)

    Using engine As New Engine("./tessdata", Language.English)
        Using pixImage As TesseractOCR.Pix.Image = TesseractOCR.Pix.Image.LoadFromFile(tempPath)
            Using page As Page = engine.Process(pixImage)
                Return page.Text
            End Using
        End Using
    End Using
Finally
    File.Delete(tempPath) ' Clean up temp file
End Try

TesseractOCR'un README'si, kusurlu girişlerde doğruluk düşüşlerini listeler: 5 derecelik bir eğiklik, doğruluğu %97'den %65-75'e düşürür; bir telefon kamerası ile çekim %30-50'ye düşer. Bunlar üretimde uç durumlar değildir — taranmış belgelerin, beyaz tahta fotoğraflarının ve faksların varsayılan durumudur. O doğruluğu geri kazanmak için dengeleme, gürültü azaltma ve kontrast normalizasyonu gereklidir. Tek başına dengeleme yaygın .NET görüntüleme kütüphanelerinde mevcut değildir ve bir Hough dönüşümü açı algılama algoritması uygulanmasını gerektirir.

IronOCR Yaklaşımı

IronOCR'nin ön işleme hattı OcrInput içinde yerleşiktir. Deskew(), DeNoise(), Contrast() ve EnhanceResolution()'yi çağırmak, yaygın belge türleri için dış kitaplıklar, geçici dosyalar veya parametre ayarı olmadan ilgili algoritmaları uygular:

//Hayırexternal imaging library needed
//Hayırtemp files, no manual parameter tuning

using var input = new OcrInput();
input.LoadImage(imagePath);
input.Deskew();           // Automatic angle detection and correction
input.DeNoise();          // Intelligent noise removal
input.Contrast();         //Otomatik kontrastenhancement
input.EnhanceResolution(300); // Upscale if below 300 DPI

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

return result.Text;

//Hayırexternal imaging library needed
//Hayırtemp files, no manual parameter tuning

using var input = new OcrInput();
input.LoadImage(imagePath);
input.Deskew();           // Automatic angle detection and correction
input.DeNoise();          // Intelligent noise removal
input.Contrast();         //Otomatik kontrastenhancement
input.EnhanceResolution(300); // Upscale if below 300 DPI

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

return result.Text;

Imports IronOcr

Using input As New OcrInput()
    input.LoadImage(imagePath)
    input.Deskew()           ' Automatic angle detection and correction
    input.DeNoise()          ' Intelligent noise removal
    input.Contrast()         ' Automatic contrast enhancement
    input.EnhanceResolution(300) ' Upscale if below 300 DPI

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

    Return result.Text
End Using

Kalite sorunlarının önceden bilinmediği belgeler için, motor herhangi bir açık filtre çağrısı olmadan otomatik olarak baz düzeltmeler uygular. görüntü kalitesi düzeltme kılavuzu, otomatik davranışın ayarlama gerektirdiği durumlar için her bir filtreyi ve parametre seçeneklerini kapsar. görüntü yönlendirme düzeltme kılavuzu özellikle dengeleme ve dönme algılamayı kapsar —TesseractOCRile özel bir uygulama gerektirecek işlemler. düşük kaliteli tarama örneği, zorlu belgelerdeki doğruluk farkını gösterir.

TesseractOCR Yaklaşımı

Bu havuzdaki tesseractocr-pdf-processing.cs dosyası, komple bir PDF OCR hizmeti uygular. IronOCR'un üçte yaptığı işi yapmak için ek bir bağımlılık olarak Docnet.Core'u gerektirir ve yaklaşık 100 satır kod gerektirir. Temel çıkarım döngüsü, PDF'yi Docnet ile yüklemeyi, her sayfayı BGRA bayt dizilerine render etmeyi, her sayfayı geçici bir dosyaya yazmayı içerir (çünkü TesseractOCR.Pix.Image.LoadFromFile bir dosya yolu gerektirir, bir bayt dizisi değil), geçici dosyayı OCR işleme tabi tutmayı, StringBuilder'yı eklemeyi ve finally bloğunda geçici dosyaları silmeyi içerir:

// Requires: dotnet add package TesseractOCR
//           dotnet add package Docnet.Core
// Note: Docnet is MIT-licensed; iTextSharp would be AGPL

using var library = DocLib.Instance;
using var docReader = library.GetDocReader(pdfPath, new PageDimensions(dpi, dpi));

int pageCount = docReader.GetPageCount();
var allText = new StringBuilder();
var tempFiles = new List<string>();

try
{
    using var engine = new Engine(_tessDataPath, Language.English, EngineMode.Default);

    for (int pageIndex = 0; pageIndex < pageCount; pageIndex++)
    {
        using var pageReader = docReader.GetPageReader(pageIndex);
        var width = pageReader.GetPageWidth();
        var height = pageReader.GetPageHeight();
        var imageBytes = pageReader.GetImage(); // BGRA bytes

        // TesseractOCR.Pix.Image requires a file path — write to temp
        string tempPath = Path.Combine(_tempDirectory, $"page_{pageIndex}_{Guid.NewGuid()}.png");
        tempFiles.Add(tempPath);
        SaveBgraAsPng(imageBytes, width, height, tempPath); // ~30 lines

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

        allText.AppendLine($"--- Page {pageIndex + 1} ---");
        allText.AppendLine(page.Text);
    }
}
finally
{
    foreach (var tempFile in tempFiles)
    {
        try { File.Delete(tempFile); } catch { }
    }
}

// Requires: dotnet add package TesseractOCR
//           dotnet add package Docnet.Core
// Note: Docnet is MIT-licensed; iTextSharp would be AGPL

using var library = DocLib.Instance;
using var docReader = library.GetDocReader(pdfPath, new PageDimensions(dpi, dpi));

int pageCount = docReader.GetPageCount();
var allText = new StringBuilder();
var tempFiles = new List<string>();

try
{
    using var engine = new Engine(_tessDataPath, Language.English, EngineMode.Default);

    for (int pageIndex = 0; pageIndex < pageCount; pageIndex++)
    {
        using var pageReader = docReader.GetPageReader(pageIndex);
        var width = pageReader.GetPageWidth();
        var height = pageReader.GetPageHeight();
        var imageBytes = pageReader.GetImage(); // BGRA bytes

        // TesseractOCR.Pix.Image requires a file path — write to temp
        string tempPath = Path.Combine(_tempDirectory, $"page_{pageIndex}_{Guid.NewGuid()}.png");
        tempFiles.Add(tempPath);
        SaveBgraAsPng(imageBytes, width, height, tempPath); // ~30 lines

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

        allText.AppendLine($"--- Page {pageIndex + 1} ---");
        allText.AppendLine(page.Text);
    }
}
finally
{
    foreach (var tempFile in tempFiles)
    {
        try { File.Delete(tempFile); } catch { }
    }
}

Imports Docnet.Core
Imports TesseractOCR
Imports System.IO
Imports System.Text

' Requires: dotnet add package TesseractOCR
'           dotnet add package Docnet.Core
' Note: Docnet is MIT-licensed; iTextSharp would be AGPL

Dim library = DocLib.Instance
Dim docReader = library.GetDocReader(pdfPath, New PageDimensions(dpi, dpi))

Dim pageCount As Integer = docReader.GetPageCount()
Dim allText As New StringBuilder()
Dim tempFiles As New List(Of String)()

Try
    Using engine As New Engine(_tessDataPath, Language.English, EngineMode.Default)
        For pageIndex As Integer = 0 To pageCount - 1
            Using pageReader = docReader.GetPageReader(pageIndex)
                Dim width = pageReader.GetPageWidth()
                Dim height = pageReader.GetPageHeight()
                Dim imageBytes = pageReader.GetImage() ' BGRA bytes

                ' TesseractOCR.Pix.Image requires a file path — write to temp
                Dim tempPath As String = Path.Combine(_tempDirectory, $"page_{pageIndex}_{Guid.NewGuid()}.png")
                tempFiles.Add(tempPath)
                SaveBgraAsPng(imageBytes, width, height, tempPath) ' ~30 lines

                Using image = TesseractOCR.Pix.Image.LoadFromFile(tempPath)
                    Using page = engine.Process(image)
                        allText.AppendLine($"--- Page {pageIndex + 1} ---")
                        allText.AppendLine(page.Text)
                    End Using
                End Using
            End Using
        Next
    End Using
Finally
    For Each tempFile In tempFiles
        Try
            File.Delete(tempFile)
        Catch
        End Try
    Next
End Try

Parola korumalı PDF'ler, önce belgeyi şifre çözmek için bir üçüncü kütüphaneye ihtiyaç duyar (AGPL lisanslı iText veya PDFSharp), başka bir bağımlılık ve değerlendirilmesi gereken başka bir lisanslama konusu ekler. Bu konuda tesseractocr-pdf-processing.cs dosyasındaki yorumlar açık: "TesseractOCR + Docnet şifre korumalı PDF'leri doğrudan işleyemez. Yapmanız gereken: 1. Şifre çözümü destekleyen bir PDF kütüphanesi kullan... 2. Şifreyi açık hale getirme/şifreyi kaldırma... 3. Şifresi çözülmüş PDF'yi kaydet... 4. Ardından yukarıdaki kod ile işleyin."

IronOCR Yaklaşımı

IronOCR'un PDF desteği yereldir. Dış kütüphane, geçici dosyalar, bayt formatı dönüşümü yoktur. PDF giriş kılavuzu, her PDF senaryosunu — tam belge, sayfa aralıkları ve şifre korumalı dosyalar — kapsar:

//TamPDF — native, no external library
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadPdf(pdfPath);
var result = ocr.Read(input);
string text = result.Text;

//Şifre korumalı PDF— built-in, one parameter
using var encryptedInput = new OcrInput();
encryptedInput.LoadPdf("encrypted.pdf", Password: "secret");
var encryptedResult = ocr.Read(encryptedInput);

// Specific page range — no manual loop required
using var pageInput = new OcrInput();
pageInput.LoadPdfPages(pdfPath, startPage: 1, endPage: 5);
var pageResult = ocr.Read(pageInput);

//TamPDF — native, no external library
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadPdf(pdfPath);
var result = ocr.Read(input);
string text = result.Text;

//Şifre korumalı PDF— built-in, one parameter
using var encryptedInput = new OcrInput();
encryptedInput.LoadPdf("encrypted.pdf", Password: "secret");
var encryptedResult = ocr.Read(encryptedInput);

// Specific page range — no manual loop required
using var pageInput = new OcrInput();
pageInput.LoadPdfPages(pdfPath, startPage: 1, endPage: 5);
var pageResult = ocr.Read(pageInput);

Imports IronOcr

Dim ocr As New IronTesseract()

Using input As New OcrInput()
    input.LoadPdf(pdfPath)
    Dim result = ocr.Read(input)
    Dim text As String = result.Text
End Using

Using encryptedInput As New OcrInput()
    encryptedInput.LoadPdf("encrypted.pdf", Password:="secret")
    Dim encryptedResult = ocr.Read(encryptedInput)
End Using

Using pageInput As New OcrInput()
    pageInput.LoadPdfPages(pdfPath, startPage:=1, endPage:=5)
    Dim pageResult = ocr.Read(pageInput)
End Using

Tarama yapılmış PDF'ler — TesseractOCR'nin Docnet + ön işleme + OCR kombinasyonunun en zahmetli olduğu senaryo — aynı zamanda IronOCR'nin ön işleme hattının en önemli olduğu senaryodur. Tarama yapılmış bir PDF, geçici dosya yönetimi olmadan LoadPdf(), otomatik ön işleme, OCR ve isteğe bağlı aranabilir PDF çıktısından geçer. PDF OCR örneği ve aranabilir PDF rehberi, TesseractOCR'de eşdeğeri olmayan result.SaveAsSearchablePdf() dahil tam iş akışını kapsar.

TesseractOCR Yaklaşımı

TesseractOCR ile paralel işleme, her işçi lambda içinde yeni bir Engine oluşturulmasını gerektirir:

// WARNING: Engine is NOT thread-safe — must create per thread
// Memory: _maxDegreeOfParallelism * engine footprint (~40-100MB each)

var results = new ConcurrentDictionary<string, string>();

Parallel.ForEach(
    imagePaths,
    new ParallelOptions { MaxDegreeOfParallelism = 4 },
    imagePath =>
    {
        // Per-thread engine — required, expensive (~500ms init, ~50MB memory)
        using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
        using var image = TesseractOCR.Pix.Image.LoadFromFile(imagePath);
        using var page = engine.Process(image);

        results[imagePath] = page.Text;
    });

// WARNING: Engine is NOT thread-safe — must create per thread
// Memory: _maxDegreeOfParallelism * engine footprint (~40-100MB each)

var results = new ConcurrentDictionary<string, string>();

Parallel.ForEach(
    imagePaths,
    new ParallelOptions { MaxDegreeOfParallelism = 4 },
    imagePath =>
    {
        // Per-thread engine — required, expensive (~500ms init, ~50MB memory)
        using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
        using var image = TesseractOCR.Pix.Image.LoadFromFile(imagePath);
        using var page = engine.Process(image);

        results[imagePath] = page.Text;
    });

Imports System.Collections.Concurrent
Imports System.Threading.Tasks

' WARNING: Engine is NOT thread-safe — must create per thread
' Memory: _maxDegreeOfParallelism * engine footprint (~40-100MB each)

Dim results As New ConcurrentDictionary(Of String, String)()

Parallel.ForEach(
    imagePaths,
    New ParallelOptions With {.MaxDegreeOfParallelism = 4},
    Sub(imagePath)
        ' Per-thread engine — required, expensive (~500ms init, ~50MB memory)
        Using engine As New Engine("./tessdata", Language.English, EngineMode.Default)
            Using image As TesseractOCR.Pix.Image = TesseractOCR.Pix.Image.LoadFromFile(imagePath)
                Using page As Page = engine.Process(image)
                    results(imagePath) = page.Text
                End Using
            End Using
        End Using
    End Sub)

Tek motoru yeniden kullanma modeli (döngünün dışında bir motor oluşturup sırayla yeniden kullanma) seri işlem için çalışır, ancak başka hiçbir thread örneğe dokunmazsa çalışmaz. Bu nedenle yük altında yığın işleme, ya thread başına motorların bellek maliyetini kabul etmeyi ya da dikkatli yaşam döngüsü yönetimi ile thread-özel motor havuzunu uygulamayı gerektirir.

IronOCR Yaklaşımı

IronTesseract thread-safe. Bir örnek, efharazany sayıda eş zamanlı thread'den gelen istekleri işler:

// Single instance — thread-safe, no per-thread duplication
var ocr = new IronTesseract();

var results = new ConcurrentDictionary<string, string>();

Parallel.ForEach(imagePaths, imagePath =>
{
    using var input = new OcrInput(imagePath);
    results[imagePath] = ocr.Read(input).Text;
});

// Single instance — thread-safe, no per-thread duplication
var ocr = new IronTesseract();

var results = new ConcurrentDictionary<string, string>();

Parallel.ForEach(imagePaths, imagePath =>
{
    using var input = new OcrInput(imagePath);
    results[imagePath] = ocr.Read(input).Text;
});

Imports System.Collections.Concurrent
Imports System.Threading.Tasks

' Single instance — thread-safe, no per-thread duplication
Dim ocr As New IronTesseract()

Dim results As New ConcurrentDictionary(Of String, String)()

Parallel.ForEach(imagePaths, Sub(imagePath)
    Using input As New OcrInput(imagePath)
        results(imagePath) = ocr.Read(input).Text
    End Using
End Sub)

çok iş parçacıklı örnek deseni gösterir. 4 paralel işçi için bellek izleri dört yerine bir motor örneğidir. Geçicilik önemli olduğunda yığın belge işleme boru hatları için, bu önemli bir farktır.

Belgenin Kalitesi Değişkendir

BirTesseractOCRentegrasyonu, yüksek kaliteli 300 DPI taramalarında sorunsuz çalışır. Belgelerin kalitesi düştüğünde — yassı yataktan eğik sayfalar, düşük kontrastlı fakslar, fişlerin telefon fotoğrafları — doğruluk boşluğu açılır. README'nin kendi ölçütü, ön işleme olmadan telefon kamerası çekimi doğruluğunu %30-50'ye düşürdüğünü gösterir. Bu doğruluğu geri kazanmak için ImageSharp veya SkiaSharp'ta bir ön işleme hattı kurmak ve ayarlamak, 8-20 saat geliştirme süresi alır ve ek bir bağımlılığı getirir. İlk entegrasyondan altı ay sonra "yüksek kaliteli tarama" varsayımlarının yanlış olduğunu keşfeden ekipler tipikTesseractOCRgeçiş vakasıdır. Ön işleme boşluğu, bir kez çözülen bir kurulum sorunu değildir — ne zaman yeni bir belge türü veya yakalama yöntemi hataya girse ortaya çıkar.

PDF Belgeleri Giriş İş Akışının Parçasıdır

PDF OCR için Docnet.Core +TesseractOCRkombinasyonu çalışır, ancak üç yerine yaklaşık 100 satır kod gerektirir. Daha pratik olarak, Docnet'in lisansını (MIT), platformlar arası davranışını, hatalı PDF'lerin yönetimini ve mevcut tessdata ve ön işleme koduyla etkileşimini değerlendirmeyi gerektirir. PDF'lerin birincil giriş olarak geldiği belgelerin yönetim sistemlerini, fatura işleyicilerini veya herhangi bir iş akışında yer alan ekipler, zamanı içe doğru sürtünmeye biriktiğini fark ederler: sayfa boyutu yönetimi, işleme için DPI seçimi, geçici dosya temizlik mantığı ve aranabilir PDF çıktı eksikliği. Tarama girdilerinden aranabilir PDF'ler üretmeleri gereken bir ekibin, yalnızcaTesseractOCRile bir yolu yoktur.

Thread Yapısı Bellek Sınırlarına Ulaşıyor

TesseractOCR'de dört eş zamanlı OCR işçisi, tek bir görüntü işlenmeden önce motor belleğinde 200-400MB tüketir. Bu, düşük geçişli arka plan işleri için bir problem değil. Çoklu eşzamanlı belge yüklemelerini işleten ASP.NET Core uç noktası veya geçişi ileri iten bir yığın işlemcisi için bir sorundur. Thread başına motor modeli ayrıca her yeni thread'in ilk belgesini işlemeye başlamadan önce ~500ms başlangıç maliyetini ödemesi anlamına gelir. Arka plan hizmeti amacıylaTesseractOCRseçen ve ardından geçiciğiliğe ölçeklemek zorunda kalan ekipler bu sınıra ulaşır. Thread-güvenli bir motora geçmek, tüm thread başına yükü tamamen ortadan kaldırır.

Başlangıç Geliştirmesinden Sonra Dağıtım Ortamı Değişiklikleri

TesseractOCR, uygulama ile birlikte tessdata dosyalarına eş eklenmesini gerektirir. Geliştiricinin yerel ortamında bu yönetilebilirdir. Docker konteynerinde, bu ya tessdata dosyalarını imaja dahil etmek (imaj boyutuna dil başına 15-50MB ekleme) ya da belirli bir dizine bir birim monte etmek anlamına gelir (iş operasyonları karmaşıklığı ekleyerek). Bir CI/CD boru hattında, bu, indirmeleri betik olarak yazmak ve önbelleğe almak demektir. Azure Uygulama Hizmeti veya AWS Lambda'da, tessdata yol konfigürasyonu geliştirmeden farklı olabilecek bir ortama özgü bir ayardır. Sadece yerel kanıt konseptiyle işe başlayan ve sonra konteynerleştirilmiş veya bulut dağıtımına geçen ekipler, tessdata gereksiniminin her ortamda farklı davrandığını keşfederler. IronOCR'un NuGet tabanlı dil paketleri, paket nerdeyse geri yükleniyorsa, her yere aynı şekilde dağıtılır.

Cemaat Desteği Çatal Sınırına Ulaşıyor

TesseractOCR yaklaşık 200K NuGet indirmeye sahiptir. charlesw/tesseract yaklaşık 8M'a sahiptir. Stack Overflow soruları, blog gönderileri ve GitHub sorunları, ezici çoğunlukla Tesseract .NET kılıflarında charlesw'nin API'sini — TesseractEngine, Engine'den değil — referans alır. Pix.LoadFromFile, TesseractOCR.Pix.Image.LoadFromFile değil. charlesw için çalışan çözümler TesseractOCR'un API farklılıkları için uyarlama gerektirir. Birincil destek modeli topluluk kaynakları olan ekipler için bu gerçek bir sürtünme çarpanıdır.

Ad Alanı ve Sınıf Değiştirme

Temel değiştirme Engine ile IronTesseract ve TesseractOCR.Pix.Image.LoadFromFile() ile OcrInput'dir. Ad alanı değişimi (using TesseractOCR ile using IronOcr) çoğu referansı yakalar.TesseractOCR'Language.English|Dil.French(bitwise OR on a flags enum),IronOCR usesOcrLanguage.English + OcrLanguage.French(toplama operatörü). Güven ölçeği de farklıdır: TesseractOCR, float olarak 0.0-1.0page.MeanConfidencedöndürür; IronOCR, double olarak 0-100result.Confidence` döndürür. Güvenmeyle ilgili herhangi bir eşik mantığı güncellenmelidir.

// Before (TesseractOCR)
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
using var image = TesseractOCR.Pix.Image.LoadFromFile("document.png");
using var page = engine.Process(image);
float confidence = page.MeanConfidence; // 0.0 to 1.0

// After (IronOCR)
var ocr = new IronTesseract();
using var input = new OcrInput("document.png");
var result = ocr.Read(input);
double confidence = result.Confidence; // 0 to 100

// Before (TesseractOCR)
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
using var image = TesseractOCR.Pix.Image.LoadFromFile("document.png");
using var page = engine.Process(image);
float confidence = page.MeanConfidence; // 0.0 to 1.0

// After (IronOCR)
var ocr = new IronTesseract();
using var input = new OcrInput("document.png");
var result = ocr.Read(input);
double confidence = result.Confidence; // 0 to 100

Imports TesseractOCR
Imports IronOcr

' Before (TesseractOCR)
Using engine As New Engine("./tessdata", Language.English, EngineMode.Default)
    Using image As TesseractOCR.Pix.Image = TesseractOCR.Pix.Image.LoadFromFile("document.png")
        Using page As Page = engine.Process(image)
            Dim confidence As Single = page.MeanConfidence ' 0.0 to 1.0
        End Using
    End Using
End Using

' After (IronOCR)
Dim ocr As New IronTesseract()
Using input As New OcrInput("document.png")
    Dim result As OcrResult = ocr.Read(input)
    Dim confidence As Double = result.Confidence ' 0 to 100
End Using

Ön İşleme Bağımlılıklarını Kaldırma

MevcutTesseractOCRentegrasyonu zaten bir ImageSharp veya SkiaSharp ön işleme hattına sahipse, bu kodun taşınma sonrasında silinmesi mümkündür. IronOCR'nin yerleşik Deskew(), DeNoise(), Contrast() ve EnhanceResolution() yöntemleri, dış filtre zincirinin yerini alır. Ön işlenmiş görüntü etrafındaki geçici dosya oluşturma ve temizleme kodu da ortadan kalkar — OcrInput bir dosya yolunu, bayt dizisini, akışı veya doğrudan Bitmap kabul eder, ara dosya yazma olmadan. görüntü filtreleri örneği mevcut filtreleri ve eşdeğerlerini kapsar.

PDF Dış Kütüphaneyi Kaldırma

PDF işleme için Docnet.Core veya PdfiumViewer kullanan ekipler, bu paketleri tamamen kaldırabilirler. Tüm PDF işleme döngüsünü değiştir — DocLib.Instance, GetDocReader, GetPageReader, GetImage, SaveBgraAsPng, geçici dosya oluşturma, Pix.Image.LoadFromFile, engine.Process — input.LoadPdf(pdfPath) ile. PDF giriş kılavuzu ve PDF OCR kullanım durumu sayfasıIronOCR PDF API'sinin tamamını kapsamaktadır. Projeden tessdata klasörünü silin, tessdata dosyaları için <CopyToOutputDirectory> yapılandırmasını kaldırın ve herhangi bir apt-get install tesseract-ocr adımını çıkarmak için Docker görüntülerini güncelleyin.

Hata Yönetimi Yüzeyi Küçülür

TesseractOCR, motor başlatma hataları için TesseractOCR.Exceptions.TesseractException yakalamayı, eksik yerel kütüphaneler için DllNotFoundException ve mimari uyumsuzluklar için BadImageFormatException yakalamayı gerektirir. IronOCR, yerel bağımlılıklarını bünyesinde bulundurur ve başlatmayı dahili olarak yönetir, bu yüzden bu istisna türleri geçerli olmaz. Kalan hata yüzeyi, dosya erişim problemleri için standart IOException ve OCR'ye özgü hatalar için IronOcr.Exceptions.OcrException durumudur.