IronOCR vs Azure OCR PDF：哪種解決方案能更好地萃取文字？

使用 IronOCR 擷取文字。

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput("document.pdf");
var result = ocr.Read(input);

Console.WriteLine($"Pages processed: {result.Pages.Length}");
Console.WriteLine(result.Text);

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput("document.pdf");
var result = ocr.Read(input);

Console.WriteLine($"Pages processed: {result.Pages.Length}");
Console.WriteLine(result.Text);

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput("document.pdf")
    Dim result = ocr.Read(input)

    Console.WriteLine($"Pages processed: {result.Pages.Length}")
    Console.WriteLine(result.Text)
End Using

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput("archive-scan.tiff");
var result = ocr.Read(input);

foreach (var page in result.Pages)
{
    Console.WriteLine($"Frame {page.PageNumber}: {page.Text}");
}

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput("archive-scan.tiff");
var result = ocr.Read(input);

foreach (var page in result.Pages)
{
    Console.WriteLine($"Frame {page.PageNumber}: {page.Text}");
}

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput("archive-scan.tiff")
    Dim result = ocr.Read(input)

    For Each page In result.Pages
        Console.WriteLine($"Frame {page.PageNumber}: {page.Text}")
    Next
End Using

使用 Azure 文件智能 擷取文字。

若要使用 Azure 文件智能，您必須先在 Azure 入口網站中建立資源，設定驗證憑證，然後安裝 Azure SDK。 讀取 API 呼叫使用非同步操作：

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

var client = new DocumentAnalysisClient(
    new Uri(endpoint),
    new AzureKeyCredential(key));

using var stream = File.OpenRead("document.pdf");
var operation = await client.AnalyzeDocumentAsync(
    WaitUntil.Completed, "prebuilt-read", stream);

var result = operation.Value;
foreach (var page in result.Pages)
{
    foreach (var line in page.Lines)
    {
        Console.WriteLine(line.Content);
    }
}

using Azure;
using Azure.AI.FormRecognizer.DocumentAnalysis;

var client = new DocumentAnalysisClient(
    new Uri(endpoint),
    new AzureKeyCredential(key));

using var stream = File.OpenRead("document.pdf");
var operation = await client.AnalyzeDocumentAsync(
    WaitUntil.Completed, "prebuilt-read", stream);

var result = operation.Value;
foreach (var page in result.Pages)
{
    foreach (var line in page.Lines)
    {
        Console.WriteLine(line.Content);
    }
}

Imports Azure
Imports Azure.AI.FormRecognizer.DocumentAnalysis
Imports System.IO

Dim client = New DocumentAnalysisClient(
    New Uri(endpoint),
    New AzureKeyCredential(key))

Using stream = File.OpenRead("document.pdf")
    Dim operation = Await client.AnalyzeDocumentAsync(
        WaitUntil.Completed, "prebuilt-read", stream)

    Dim result = operation.Value
    For Each page In result.Pages
        For Each line In page.Lines
            Console.WriteLine(line.Content)
        Next
    Next
End Using

管理憑證、處理非同步操作以及遍歷回應資料結構都會增加複雜性。 任何網路中斷或 Azure 服務中斷都可能導致提取作業失敗，因此生產應用程式需要重試邏輯。

哪種解決方案能建立更好的可搜尋 PDF？

將掃描文件轉換為可搜尋的 PDF 是文件歸檔、法律合規和全文搜尋索引的常見要求。 IronOCR 透過專門的SaveAsSearchablePdf方法提供此功能：

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput("scanned.pdf");
var result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

Console.WriteLine("Searchable PDF created successfully.");

using IronOcr;

var ocr = new IronTesseract();
using var input = new OcrInput("scanned.pdf");
var result = ocr.Read(input);
result.SaveAsSearchablePdf("searchable-output.pdf");

Console.WriteLine("Searchable PDF created successfully.");

Imports IronOcr

Dim ocr As New IronTesseract()
Using input As New OcrInput("scanned.pdf")
    Dim result = ocr.Read(input)
    result.SaveAsSearchablePdf("searchable-output.pdf")
End Using

Console.WriteLine("Searchable PDF created successfully.")

建立可搜尋的 PDF

此功能可將任何掃描的 PDF 文件轉換為完全可搜尋的文檔，使用戶能夠搜尋、選擇和複製文字。 該過程保留了原始文件的視覺外觀，同時嵌入了從 OCR 結果中提取的不可見文字圖層。 這是一個單一的方法調用，它在內部處理所有事情。

Azure 文件智慧不會提供直接建立可搜尋 PDF 的功能。 要使用 Azure 實現相同的結果，開發人員必須從 API 回應中提取文字數據，然後使用單獨的 PDF 庫（例如 iTextSharp 或 PdfSharp）來重建帶有嵌入文字層的文件。 這會為您的專案增加額外的依賴項、開發時間和維護負擔。

對於經常轉換大量掃描文件（發票、合約、歷史記錄）的組織而言，IronOCR 的單一方法顯著減少了整合工作量。

文件處理的定價如何比較？

定價結構是這兩種解決方案之間最顯著的實際差異之一。 Azure 的按頁面付費模式是根據所使用的特定預先建立模型來收費的。 根據微軟官方 Azure 定價頁面顯示，讀取 API 的費用約為每 1000 頁 1.50 美元，而表單和發票的預先建置模型的費用高達每 1000 頁 10 美元。 大用戶可以透過協商基於承諾的定價方案來獲得優惠價格，但只要應用程式運行，成本就會持續累積。

對於每月處理 10 萬頁文件的開發團隊（對於企業文件工作流程來說，這只是一個適中的量），Azure 的費用可能每月在 150 美元到 1000 美元之間，而且這種情況會一直持續下去。

IronOCR 提供永久許可證，單一開發者只需一次性付費即可獲得。 這項一次性投資涵蓋無限頁面處理，無需支付任何後續費用。 有關當前的完整定價詳情，請訪問IronOCR 許可頁面。 對於每月分析數千份文件的應用程式來說，與 Azure 按頁收費相比，盈虧平衡點通常在營運的最初幾個月內即可達到。

兩種方案均支援多種語言的印刷體和手寫體文字的光學字元辨識。 IronOCR 提供125 種語言包，包括支援單一文件中的混合語言。 您可以根據應用程式的需求，單獨下載語言資料文件，也可以下載軟體包。

IronOCR 中的語言配置

IronOCR 透過 Tesseract 語言資料檔案支援超過 125 種語言。 配置 IronTesseract 實例時，您可以指定一種或多種語言：

using IronOcr;

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.EnglishBest;

// For multi-language documents:
ocr.AddSecondaryLanguage(OcrLanguage.French);

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

using IronOcr;

var ocr = new IronTesseract();
ocr.Language = OcrLanguage.EnglishBest;

// For multi-language documents:
ocr.AddSecondaryLanguage(OcrLanguage.French);

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

Imports IronOcr

Dim ocr As New IronTesseract()
ocr.Language = OcrLanguage.EnglishBest

' For multi-language documents:
ocr.AddSecondaryLanguage(OcrLanguage.French)

Using input As New OcrInput("multilingual-doc.pdf")
    Dim result = ocr.Read(input)
    Console.WriteLine(result.Text)
End Using

語言套件是透過單獨的 NuGet 套件安裝的——例如，IronOcr.Languages.French 用於法語語言支援。 這樣既能保持核心庫的輕量級，又能讓你只加入應用程式所需的語言。

語言文件提供了可用語言套件及其對應的 NuGet 套件名稱的完整清單。 對於混合文字或未知語言內容的文檔，IronOCR 還支援自動語言偵測配置。

Azure 文檔智能中的語言支持

Azure 文件智慧的讀取 API 支援 100 多種印刷語言以及其中一部分語言的手寫辨識功能。 語言偵測在雲端自動進行－大多數情況下，開發人員無需明確指定語言。 這種自動偵測方式雖然方便，但會增加每頁的成本，並且需要將所有文件傳輸到微軟的伺服器。

對於包含敏感資訊的文件（財務記錄、醫療保健資料、法律合約），將內容傳送到雲端點會引入本地處理完全避免的資料治理問題。

IronOCR 的批量處理

對於大批量工作流程，IronOCR 使用標準的 .NET 並行處理高效地處理批量資料。 由於該程式庫在本機上運行，因此您可以並行運行多個 OCR 作業，而不會受到速率限製或 API 限制：

using IronOcr;
using System.Collections.Generic;
using System.Threading.Tasks;

var pdfFiles = Directory.GetFiles("input-folder", "*.pdf");
var results = new List<string>();

await Parallel.ForEachAsync(pdfFiles, async (file, ct) =>
{
    var ocr = new IronTesseract();
    using var input = new OcrInput(file);
    var result = ocr.Read(input);
    lock (results) { results.Add(result.Text); }
});

Console.WriteLine($"Processed {results.Count} documents.");

using IronOcr;
using System.Collections.Generic;
using System.Threading.Tasks;

var pdfFiles = Directory.GetFiles("input-folder", "*.pdf");
var results = new List<string>();

await Parallel.ForEachAsync(pdfFiles, async (file, ct) =>
{
    var ocr = new IronTesseract();
    using var input = new OcrInput(file);
    var result = ocr.Read(input);
    lock (results) { results.Add(result.Text); }
});

Console.WriteLine($"Processed {results.Count} documents.");

Imports IronOcr
Imports System.Collections.Generic
Imports System.Threading.Tasks
Imports System.IO

Dim pdfFiles = Directory.GetFiles("input-folder", "*.pdf")
Dim results As New List(Of String)()

Await Task.WhenAll(pdfFiles.Select(Function(file) Task.Run(Async Function()
    Dim ocr As New IronTesseract()
    Using input As New OcrInput(file)
        Dim result = ocr.Read(input)
        SyncLock results
            results.Add(result.Text)
        End SyncLock
    End Using
End Function)))

Console.WriteLine($"Processed {results.Count} documents.")

此模式可同時處理整個資料夾中的 PDF 文件，僅受電腦 CPU 和記憶體資源的限制，而不受 API 速率限製或網路頻寬的限制。

對於更高階的批次處理場景， IronOCR 操作指南涵蓋了批次處理模式、進度追蹤和輸出管理。

使用 Azure 文件智慧進行批次處理

Azure 文件智慧支援批次處理，但每個文件都需要單獨呼叫 API 或使用批次分析文件 API。 高容量作業會受到 Azure 的速率限制－標準層通常為每秒 15 個請求。 每天處理數萬份文件的組織需要實施排隊、重試邏輯和限流管理，以保持在服務限制範圍內。

對於可預測的高容量工作負載，我們提供基於承諾的定價方案，但這需要預先簽訂承諾協議，並受微軟服務條款的約束。