IronBarcode架構 (2025.2+)

Curtis Chau

Updated: 2026年6月29日

Download IronBarcode

• NuGet Download
• DLL Download

• ---

• Start Free Trial

Copy for LLMs

• Copy for LLMs

  Copy page as Markdown for LLMs
  # IronBarcode架構 (2025.2+) 從2025.2版開始，IronBarcode套件被拆分為單獨的管理層，本地層和機器學習層。 該結構反映了IronOCR和IronPDF已經使用的命名約定，提供了更清晰的跨平台支持和更容易的維護。 ## 套件結構 ### 主要分發 頂級NuGet套件對應於目標平台： - **`BarCode`：** Windows的預設套件，並且是通用用途的主要NuGet。 - **`BarCode.MacOS`及類似項目：** 遵循與IronOCR和IronPDF相同命名慣例的作業系統特定發行版本。 ### 內部套件層 每個頂級套件由幾個內部子套件構成，每個擁有一個關注點。 #### 1. `BarCode.Slim` 持有管理核心：C#程式碼、互操作層、所有PDF相關程式碼和每個C#第三方依賴項。 這是驅動IronBarcode管理功能的核心邏輯和綁定層。 #### 2. `IronSoftware.ReaderInternals.XXX` 包含用於讀取、寫入和檢測條碼的本地C++程式碼。 存在於Windows、Linux、Mac等的特定平台變體。 #### 3. `BarCode.Detection` 攜帶機器學習檢測邏輯，目前是用C#編寫在ONNX運行時之上。在這個階段它不依賴於操作系統。 `BarCode.Detection` 最終將轉移到ncnn，一個原生的C++機器學習推理程式庫，屆時將引入作業系統特定的變體。 ### 移動平台排除 `BarCode.Detection` 不會被打包進`Barcode.Android`。 這種疏忽是故意的：ML檢測在移動平台上引發性能問題和相容性限制。 ## 優點 重新結構化的架構提供： - 管理程式碼和本地程式碼的模塊分離。 - 清潔的，針對操作系統的打包。 - 為高性能的本地ML檢測提供未來保障。 - 與其他Iron Software庫更緊密的對齊。 - 更簡單的維護和故障排除。

• ---

• Open in ChatGPT

  Ask ChatGPT about this page
• Open in Gemini

  Ask Gemini about this page
• Open in Grok

  Ask Grok about this page
• Open in Perplexity

  Ask Perplexity about this page

Share

• Share on Facebook
• Share on X (Twitter)
• Share on LinkedIn

• ---

• Email article

從2025.2版開始，IronBarcode套件被拆分為單獨的管理層，本地層和機器學習層。 該結構反映了IronOCR和IronPDF已經使用的命名約定，提供了更清晰的跨平台支持和更容易的維護。

套件結構

主要分發

頂級NuGet套件對應於目標平台：

• BarCode： Windows的預設套件，並且是通用用途的主要NuGet。
• BarCode.MacOS及類似項目： 遵循與IronOCR和IronPDF相同命名慣例的作業系統特定發行版本。

內部套件層

每個頂級套件由幾個內部子套件構成，每個擁有一個關注點。

1. BarCode.Slim

持有管理核心：C#程式碼、互操作層、所有PDF相關程式碼和每個C#第三方依賴項。 這是驅動IronBarcode管理功能的核心邏輯和綁定層。

2. IronSoftware.ReaderInternals.XXX

包含用於讀取、寫入和檢測條碼的本地C++程式碼。 存在於Windows、Linux、Mac等的特定平台變體。

3. BarCode.Detection

攜帶機器學習檢測邏輯，目前是用C#編寫在ONNX運行時之上。在這個階段它不依賴於操作系統。

BarCode.Detection 最終將轉移到ncnn，一個原生的C++機器學習推理程式庫，屆時將引入作業系統特定的變體。

移動平台排除

BarCode.Detection 不會被打包進Barcode.Android。 這種疏忽是故意的：ML檢測在移動平台上引發性能問題和相容性限制。

優點

重新結構化的架構提供：

• 管理程式碼和本地程式碼的模塊分離。
• 清潔的，針對操作系統的打包。
• 為高性能的本地ML檢測提供未來保障。
• 與其他Iron Software庫更緊密的對齊。
• 更簡單的維護和故障排除。

Curtis Chau

立即與工程團隊聊天

技術作家

Curtis Chau擁有Carleton大學的電腦科學學士學位，專精於前端開發，擁有Node.js、TypeScript、JavaScript和React的專業知識。Curtis熱衷於建立直觀且美觀的使用者介面，喜愛使用現代框架並建立結構良好、視覺吸引力的手冊。

...

閱讀更多