Tesseract OCR vs. IronOCR: C#'da PDF Metnini Çıkartın

Tesseract ve IronOCR Kararını Hızlıca Nasıl Verirsiniz?

Tesseract'ı seçin bütçe kısıtlamalarınız ücretsiz bir çözüm gerektiriyor, girişiniz yalnızca görüntü dosyalarından oluşuyor ve takımınız ek kurulum ve bağımlılık çalışmasına kapasiteye sahip olduğunda.

IronOCR'yi seçin PDF belgeleri ve taranmış dosyalar birincil girişiniz olduğunda, geliştirme hızı önemli olduğunda veya bağımlılık sorunlarını çözmeden Azure, Docker veya Linux'a çapraz platform dağıtımı gerektiğinde.

Bu OCR Çözümleri Özellik Başına Nasıl Karşılaştırılır?

Uygulama detaylarını keşfetmeden önce, taranmış PDF dosyalarından metin tanıma için temel yeterlilikleri yan yana karşılaştırmanız:

IronOCR, ozelikle araştırilabilir PDF oluşturma ve barkod tanima gerektiren kurumsal belge yonetimi icin daha eksiksiz PDF işleme yetenekleri saglar.

Tesseract PDF Dosyalarını Nasıl İşler ve Metin Çıkarır?

Tesseract OCR motoru PDF belge girdisini dogal olarak desteklemez. Resmi Tesseract dokümantasyonuna göre, geliştiriciler OCR işlemi yapmadan önce PDF sayfalarını PNG veya JPEG görüntülerine dönüştürmelidir. Bu süreç, her sayfayı dönüştürmek için Ghostscript gibi ek kütüphaneler veya özel bir PDF rendering kütüphanesi gerektirir ve üretim hatlarında karmaşıklık ve hata noktalarını artırır.

C# dilinde bir PDF'den metin çıkarmak için standart Tesseract iş akışının basit bir örneği:

using Tesseract;

// Step 1: Convert PDF page to PNG (requires a separate PDF rendering library)
// This example assumes the scanned PDF has already been converted to an image
string imagePath = "document-scan.png";

// Step 2: Initialize Tesseract with the language data path
using var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);

// Step 3: Load the image and run OCR
using var img = Pix.LoadFromFile(imagePath);
using var page = engine.Process(img);

// Step 4: Extract recognized text
string extractedText = page.GetText();
Console.WriteLine($"Confidence: {page.GetMeanConfidence()}");
Console.WriteLine(extractedText);

// Optional: retrieve word-level bounding boxes
using var iter = page.GetIterator();
iter.Begin();
do
{
    if (iter.TryGetBoundingBox(PageIteratorLevel.Word, out var bounds))
    {
        string word = iter.GetText(PageIteratorLevel.Word);
        Console.WriteLine($"Word: {word} at {bounds}");
    }
} while (iter.Next(PageIteratorLevel.Word));

using Tesseract;

// Step 1: Convert PDF page to PNG (requires a separate PDF rendering library)
// This example assumes the scanned PDF has already been converted to an image
string imagePath = "document-scan.png";

// Step 2: Initialize Tesseract with the language data path
using var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);

// Step 3: Load the image and run OCR
using var img = Pix.LoadFromFile(imagePath);
using var page = engine.Process(img);

// Step 4: Extract recognized text
string extractedText = page.GetText();
Console.WriteLine($"Confidence: {page.GetMeanConfidence()}");
Console.WriteLine(extractedText);

// Optional: retrieve word-level bounding boxes
using var iter = page.GetIterator();
iter.Begin();
do
{
    if (iter.TryGetBoundingBox(PageIteratorLevel.Word, out var bounds))
    {
        string word = iter.GetText(PageIteratorLevel.Word);
        Console.WriteLine($"Word: {word} at {bounds}");
    }
} while (iter.Next(PageIteratorLevel.Word));

Imports Tesseract

' Step 1: Convert PDF page to PNG (requires a separate PDF rendering library)
' This example assumes the scanned PDF has already been converted to an image
Dim imagePath As String = "document-scan.png"

' Step 2: Initialize Tesseract with the language data path
Using engine As New TesseractEngine("./tessdata", "eng", EngineMode.Default)

    ' Step 3: Load the image and run OCR
    Using img As Pix = Pix.LoadFromFile(imagePath)
        Using page As Page = engine.Process(img)

            ' Step 4: Extract recognized text
            Dim extractedText As String = page.GetText()
            Console.WriteLine($"Confidence: {page.GetMeanConfidence()}")
            Console.WriteLine(extractedText)

            ' Optional: retrieve word-level bounding boxes
            Using iter As ResultIterator = page.GetIterator()
                iter.Begin()
                Do
                    Dim bounds As Rect
                    If iter.TryGetBoundingBox(PageIteratorLevel.Word, bounds) Then
                        Dim word As String = iter.GetText(PageIteratorLevel.Word)
                        Console.WriteLine($"Word: {word} at {bounds}")
                    End If
                Loop While iter.Next(PageIteratorLevel.Word)
            End Using

        End Using
    End Using

End Using

Bu kod, NuGet'te mevcut olan .NET sağlama kütüphanesini kullanarak standart Tesseract yaklaşımını gösterir. Dil veri dosyalarını içeren tessdata klasörüne bir yol gerektiren engine başlatılması, tessdata deposundan ayrı olarak indirilmelidir. img değişkeni, bellek sızıntılarını önlemek için açıkça yok edilmesi gereken yönetilmeyen bir C++ nesnesi olan Leptonica'nın PIX formatında giriş görüntüsünü yükler. page sonucu, gerçek karakter tanıma işlemini gerçekleştirir.

using Tesseract;
using System.Text;

// Processing multiple PDF pages after prior PDF-to-image conversion
static string ProcessMultiPagePdf(string[] imagePaths)
{
    var results = new StringBuilder();
    using var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);

    foreach (var imagePath in imagePaths)
    {
        using var img = Pix.LoadFromFile(imagePath);
        using var page = engine.Process(img);
        results.AppendLine($"Page confidence: {page.GetMeanConfidence():F2}");
        results.AppendLine(page.GetText());
        results.AppendLine("---");
    }

    return results.ToString();
}

using Tesseract;
using System.Text;

// Processing multiple PDF pages after prior PDF-to-image conversion
static string ProcessMultiPagePdf(string[] imagePaths)
{
    var results = new StringBuilder();
    using var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);

    foreach (var imagePath in imagePaths)
    {
        using var img = Pix.LoadFromFile(imagePath);
        using var page = engine.Process(img);
        results.AppendLine($"Page confidence: {page.GetMeanConfidence():F2}");
        results.AppendLine(page.GetText());
        results.AppendLine("---");
    }

    return results.ToString();
}

Imports Tesseract
Imports System.Text

' Processing multiple PDF pages after prior PDF-to-image conversion
Private Shared Function ProcessMultiPagePdf(imagePaths As String()) As String
    Dim results As New StringBuilder()
    Using engine As New TesseractEngine("./tessdata", "eng", EngineMode.Default)
        For Each imagePath In imagePaths
            Using img = Pix.LoadFromFile(imagePath)
                Using page = engine.Process(img)
                    results.AppendLine($"Page confidence: {page.GetMeanConfidence():F2}")
                    results.AppendLine(page.GetText())
                    results.AppendLine("---")
                End Using
            End Using
        Next
    End Using

    Return results.ToString()
End Function

IronOCR PDF'leri C#'ta Nasıl Doğrudan İşler?

IronOCR doğal PDF desteği sunar, böylece taranmış belgeleri ara görüntü formatlarına dönüştürme gereksinimini ortadan kaldırır. Kutuphane, PDF rendering isini ic sirasinda yapar, .NET 10 uygulamalari icin is akisini basitlestirir. Bu entegre yaklaşım, performans ve güvenilirliğin kritik gereksinimler olduğu kurumsal belge işleme için özellikle değerli olduğunu kanıtlar.

using IronOcr;

// Initialize the OCR engine (built on optimized Tesseract 5)
var ocr = new IronTesseract();
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
ocr.Configuration.ReadBarCodes = true; // Detect barcodes and QR codes alongside text

// Load PDF directly - no image conversion required
using var input = new OcrInput();
input.LoadPdf("scanned-document.pdf", Password: "optional-password");

// Apply preprocessing for low-quality scans
input.DeNoise();              // Remove background noise from scanned paper
input.Deskew();               // Correct rotation from camera angle
input.EnhanceResolution(300); // Ensure adequate DPI for accurate recognition

// Extract text from all pages
OcrResult result = ocr.Read(input);

Console.WriteLine($"Confidence: {result.Confidence}%");
Console.WriteLine($"Pages: {result.Pages.Count()}");
Console.WriteLine(result.Text);

// Export results as a searchable PDF
result.SaveAsSearchablePdf("searchable-output.pdf");

using IronOcr;

// Initialize the OCR engine (built on optimized Tesseract 5)
var ocr = new IronTesseract();
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;
ocr.Configuration.ReadBarCodes = true; // Detect barcodes and QR codes alongside text

// Load PDF directly - no image conversion required
using var input = new OcrInput();
input.LoadPdf("scanned-document.pdf", Password: "optional-password");

// Apply preprocessing for low-quality scans
input.DeNoise();              // Remove background noise from scanned paper
input.Deskew();               // Correct rotation from camera angle
input.EnhanceResolution(300); // Ensure adequate DPI for accurate recognition

// Extract text from all pages
OcrResult result = ocr.Read(input);

Console.WriteLine($"Confidence: {result.Confidence}%");
Console.WriteLine($"Pages: {result.Pages.Count()}");
Console.WriteLine(result.Text);

// Export results as a searchable PDF
result.SaveAsSearchablePdf("searchable-output.pdf");

Imports IronOcr

' Initialize the OCR engine (built on optimized Tesseract 5)
Dim ocr As New IronTesseract()
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto
ocr.Configuration.ReadBarCodes = True ' Detect barcodes and QR codes alongside text

' Load PDF directly - no image conversion required
Using input As New OcrInput()
    input.LoadPdf("scanned-document.pdf", Password:="optional-password")

    ' Apply preprocessing for low-quality scans
    input.DeNoise()              ' Remove background noise from scanned paper
    input.Deskew()               ' Correct rotation from camera angle
    input.EnhanceResolution(300) ' Ensure adequate DPI for accurate recognition

    ' Extract text from all pages
    Dim result As OcrResult = ocr.Read(input)

    Console.WriteLine($"Confidence: {result.Confidence}%")
    Console.WriteLine($"Pages: {result.Pages.Count()}")
    Console.WriteLine(result.Text)

    ' Export results as a searchable PDF
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

IronTesseract sınıfı, özellikle .NET Core ve .NET Framework ortamları için oluşturulmuş optimize edilmiş bir Tesseract 5 motorunu sarmalayan bir sınıftır. Standart .NET sarmalayıcıdan farklı olarak, bu uygulama bellek yönetimi yapar ve .NET uygulamaları için uyarlanmış performans optimizasyonları içerir. OcrInput sınıfı, LoadPdf aracılığıyla PDF dosyalarını doğrudan kabul eder, ek kütüphaneleri indirip yapılandırmaya gerek kalmadan içsel olarak sayfaları işler.

DeNoise() ve Deskew() yöntemleri, gürültü, lekelenme veya döndürme artefaktları olan gerçek dünya taramalı belgelerde doğruluğu önemli ölçüde artıran dahili ön işleme filtreleri uygular. OcrResult nesnesi, çıkarılan metni, güven skorları ve karakter konumları ile birlikte, son işleme doğrulaması için içerir. Sonuçları araştırilabilir bir PDF olarak tek bir yöntem cagrisiyla da cikartabilirsiniz; bu, ek bir kutuphane olmadan Tesseract tarafindan yapilamaz.

Daha ayrıntılı kontrol için, belirli sayfaları veya belge bölgelerini hedefleyebilirsiniz:

using IronOcr;
using System.Drawing;

var ocr = new IronTesseract();

// Restrict character recognition to digits and currency symbols for financial docs
ocr.Configuration = new TesseractConfiguration
{
    WhiteListCharacters = "0123456789.$,",
    PageSegmentationMode = TesseractPageSegmentationMode.SingleColumn
};

// Load only the first two pages from a financial report
using var input = new OcrInput();
input.LoadPdfPages("financial-report.pdf", new[] { 0, 1 });

// Target a specific crop region, such as an invoice total field
var cropRegion = new CropRectangle(x: 100, y: 500, width: 400, height: 200);
foreach (var page in input.Pages)
    page.AddCropRegion(cropRegion);

OcrResult result = ocr.Read(input);

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

using IronOcr;
using System.Drawing;

var ocr = new IronTesseract();

// Restrict character recognition to digits and currency symbols for financial docs
ocr.Configuration = new TesseractConfiguration
{
    WhiteListCharacters = "0123456789.$,",
    PageSegmentationMode = TesseractPageSegmentationMode.SingleColumn
};

// Load only the first two pages from a financial report
using var input = new OcrInput();
input.LoadPdfPages("financial-report.pdf", new[] { 0, 1 });

// Target a specific crop region, such as an invoice total field
var cropRegion = new CropRectangle(x: 100, y: 500, width: 400, height: 200);
foreach (var page in input.Pages)
    page.AddCropRegion(cropRegion);

OcrResult result = ocr.Read(input);

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

Imports IronOcr
Imports System.Drawing

Dim ocr As New IronTesseract()

' Restrict character recognition to digits and currency symbols for financial docs
ocr.Configuration = New TesseractConfiguration With {
    .WhiteListCharacters = "0123456789.$,",
    .PageSegmentationMode = TesseractPageSegmentationMode.SingleColumn
}

' Load only the first two pages from a financial report
Using input As New OcrInput()
    input.LoadPdfPages("financial-report.pdf", {0, 1})

    ' Target a specific crop region, such as an invoice total field
    Dim cropRegion As New CropRectangle(x:=100, y:=500, width:=400, height:=200)
    For Each page In input.Pages
        page.AddCropRegion(cropRegion)
    Next

    Dim result As OcrResult = ocr.Read(input)

    For Each page In result.Pages
        Console.WriteLine($"Page {page.PageNumber}:")
        For Each paragraph In page.Paragraphs
            Console.WriteLine($"  ({paragraph.Confidence}%) {paragraph.Text}")
        Next
    Next
End Using

LoadPdfPages metodu, sıfır tabanlı sayfa dizinlerini kabul eder ve her sayfayı belleğe yüklemeden büyük belgelerin seçici bir şekilde işlenmesine olanak tanır. Bölge temelli çıkarım , yalnızca belirli alanların çıkarılmasını gerektiren faturalar ve finansal tablolar gibi yapılandırılmış belgeler için esastır. Karakter beyaz liste yapılandırmasi, belgeniz bilinen bir karakter seti içeriyorsa yanlış pozitifleri önler.

using IronOcr;

var ocr = new IronTesseract();

// Extract text from a vehicle license plate
var licensePlateResult = ocr.ReadLicensePlate("car-photo.jpg");
Console.WriteLine($"License Plate: {licensePlateResult.Text}");

// Read passport MRZ fields from a scanned document
var passportResult = ocr.ReadPassport("passport-scan.pdf");
Console.WriteLine($"Number: {passportResult.PassportNumber}");
Console.WriteLine($"Name: {passportResult.GivenNames} {passportResult.Surname}");

// Process MICR cheques for banking workflows
var chequeResult = ocr.ReadMicrCheque("cheque-image.tiff");
Console.WriteLine($"Account: {chequeResult.AccountNumber}");
Console.WriteLine($"Routing: {chequeResult.RoutingNumber}");

using IronOcr;

var ocr = new IronTesseract();

// Extract text from a vehicle license plate
var licensePlateResult = ocr.ReadLicensePlate("car-photo.jpg");
Console.WriteLine($"License Plate: {licensePlateResult.Text}");

// Read passport MRZ fields from a scanned document
var passportResult = ocr.ReadPassport("passport-scan.pdf");
Console.WriteLine($"Number: {passportResult.PassportNumber}");
Console.WriteLine($"Name: {passportResult.GivenNames} {passportResult.Surname}");

// Process MICR cheques for banking workflows
var chequeResult = ocr.ReadMicrCheque("cheque-image.tiff");
Console.WriteLine($"Account: {chequeResult.AccountNumber}");
Console.WriteLine($"Routing: {chequeResult.RoutingNumber}");

Imports IronOcr

Dim ocr As New IronTesseract()

' Extract text from a vehicle license plate
Dim licensePlateResult = ocr.ReadLicensePlate("car-photo.jpg")
Console.WriteLine($"License Plate: {licensePlateResult.Text}")

' Read passport MRZ fields from a scanned document
Dim passportResult = ocr.ReadPassport("passport-scan.pdf")
Console.WriteLine($"Number: {passportResult.PassportNumber}")
Console.WriteLine($"Name: {passportResult.GivenNames} {passportResult.Surname}")

' Process MICR cheques for banking workflows
Dim chequeResult = ocr.ReadMicrCheque("cheque-image.tiff")
Console.WriteLine($"Account: {chequeResult.AccountNumber}")
Console.WriteLine($"Routing: {chequeResult.RoutingNumber}")

Kurulum ve İş Akışında Temel Farklar Nelerdir?

Install-Package IronOcr

Install-Package IronOcr

# Advanced scanning algorithms (optional)
Install-Package IronOcr.Extensions.AdvancedScan

# Language packs install as needed
Install-Package IronOcr.Languages.French
Install-Package IronOcr.Languages.Japanese

# Advanced scanning algorithms (optional)
Install-Package IronOcr.Extensions.AdvancedScan

# Language packs install as needed
Install-Package IronOcr.Languages.French
Install-Package IronOcr.Languages.Japanese

using IronOcr;

async Task<OcrResult> ProcessPdfAsync(string pdfPath)
{
    var ocr = new IronTesseract();

    // Report progress to the caller for user feedback in batch workflows
    ocr.OcrProgress += (sender, e) =>
        Console.WriteLine($"Page {e.PagesComplete}/{e.TotalPages}: {e.ProgressPercent}%");

    using var input = new OcrInput();

    // Use a lower DPI for very large files to reduce memory pressure
    if (new System.IO.FileInfo(pdfPath).Length > 100_000_000)
        input.TargetDPI = 150;

    input.LoadPdf(pdfPath);
    input.DeNoise();
    input.Deskew();

    // Cancel automatically after 5 minutes to prevent resource exhaustion
    using var cts = new System.Threading.CancellationTokenSource(TimeSpan.FromMinutes(5));
    return await ocr.ReadAsync(input, cts.Token);
}

using IronOcr;

async Task<OcrResult> ProcessPdfAsync(string pdfPath)
{
    var ocr = new IronTesseract();

    // Report progress to the caller for user feedback in batch workflows
    ocr.OcrProgress += (sender, e) =>
        Console.WriteLine($"Page {e.PagesComplete}/{e.TotalPages}: {e.ProgressPercent}%");

    using var input = new OcrInput();

    // Use a lower DPI for very large files to reduce memory pressure
    if (new System.IO.FileInfo(pdfPath).Length > 100_000_000)
        input.TargetDPI = 150;

    input.LoadPdf(pdfPath);
    input.DeNoise();
    input.Deskew();

    // Cancel automatically after 5 minutes to prevent resource exhaustion
    using var cts = new System.Threading.CancellationTokenSource(TimeSpan.FromMinutes(5));
    return await ocr.ReadAsync(input, cts.Token);
}

Imports IronOcr
Imports System.IO
Imports System.Threading

Public Async Function ProcessPdfAsync(pdfPath As String) As Task(Of OcrResult)
    Dim ocr As New IronTesseract()

    ' Report progress to the caller for user feedback in batch workflows
    AddHandler ocr.OcrProgress, Sub(sender, e)
                                    Console.WriteLine($"Page {e.PagesComplete}/{e.TotalPages}: {e.ProgressPercent}%")
                                End Sub

    Using input As New OcrInput()

        ' Use a lower DPI for very large files to reduce memory pressure
        If New FileInfo(pdfPath).Length > 100_000_000 Then
            input.TargetDPI = 150
        End If

        input.LoadPdf(pdfPath)
        input.DeNoise()
        input.Deskew()

        ' Cancel automatically after 5 minutes to prevent resource exhaustion
        Using cts As New CancellationTokenSource(TimeSpan.FromMinutes(5))
            Return Await ocr.ReadAsync(input, cts.Token)
        End Using
    End Using
End Function

Tesseract ve IronOCR Arasindaki Lisanslama Farkliliklari Nelerdir?

Lisanslama modeli, iki kutuphane arasindaki en temel farktır ve toplam sahiplik maliyetini ve uzun vadeli bakim yukunu dogrudan etkiler.

.NET Uygulamalari Icin Hangi OCR Kutuphanesini Secmelisiniz?

Tesseract ve IronOCR arasindaki karar, projenizin giris formatlarina, dağıtim hedeflerine ve ekip kaynaklarina baglidir.

Tesseract secin, cunku:

• Bütçe kısıtlamaları tamamen ücretsiz, açık kaynaklı bir çözüm gerektirir
• Girisiniz yalnizca görüntü dosyalarindan ibaret, PDF belgeleri değil
• Ekibinizin C++ etkileşim deneyimi ve bağımlılık yönetimi için kapasitesi var
• Özel OCR motor eğitimi veya ozel sozluk destegi gereklidir
• Proje zaman çizelgeleri ek kurulum ve sorun giderme çalismalarina izin verir

IronOCR secin, cunku:

• PDF dosyalari ve taranmis belgeler ana giris formati
• Geliştirme hizi ve asgari on-yapi maddeleri onceliklidir
• Coklu platformda dağıtim, bulut ortamları, Docker veya Linux gereklidir
• Dahili on işleme filtreleri, gerçek dunya taramalarında dogrulugu arttırır
• Ticari destek ve duzenli güncellemeler uretim degeri saglar
• Sifre korumalı PDF'ler veya çok dilli dokümanlar gereklidir
• Taranmıs dokümanlardan arama yapılabilir PDF cıkısı uretmelisiniz

Her iki kutuphane de Tanıma cekirdekleri olarak Tesseract'ın OCR motorunu kullanır. IronOCR, onu yerel .NET entegrasyonu, otomatik bellek yonetimi, dahili on işleme ve dogrudan PDF destegi ile genişletir, bu da uretim .NET uygulamalarında OCR hatları kurarken ortaya cıkan yaygın sorunları ele alır. Mimari fark, en çok genis ölçekte belirgin hale gelir: Tesseract tabanlı bir hat, coklu kutuphane bagımlılıgı yığını yonetmeyi gerektirirken, bir IronOCR hatı tek bir NuGet paketi olarak cozumlendirir.

Sonraki Adımlarım Neler?

PDF metin cıkarmayı kendi dokümanlarınızla degerlendirmek icin ücretsiz bir IronOCR denemesi başlatın. Belirli senaryoların daha derinlemesine kapsama alanı icin, PDF giris rehberini, gorsel on işleme filtrelerini ve arama yapılabilir PDF dışa aktarma dokümantasyonunu kesfedin. Uretim dağıtım planlaması icin IronOCR lisanslama seçeneklerini inceleyin.