Tesseract C# 對比 IronOCR：在 .NET 中該選用哪個 OCR 程式庫？

在 Visual Studio 中安裝 Tesseract

PM> Install-Package TesseractOCR

PM> Install-Package TesseractOCR

安裝完成後，從GitHub上的 tessdata 儲存庫下載對應的訓練數據，並在您的.NET專案中設定檔。 tessdata 資料夾必須在運行時可訪問，通常需要設定此資料夾的完整路徑，或將其與可執行檔一起放在輸出目錄中。 .NET封裝器和語言檔案之間的版本不匹配經常導致初始化失敗，這是 Stack Overflow 討論中開發者經常遇到的問題。

此外，Tesseract 原生二進位檔案需要在任何執行應用程式的機器上安裝 Visual C++ 可再發行元件套件。 這種依賴關係可能會使部署變得複雜，尤其是在容器化環境或客戶端機器上，因為管理安裝可能並不簡單。

安裝IronOCR

PM> Install-Package IronOCR

PM> Install-Package IronOCR

IronOCR將所有內容打包到一個託管的.NET套件中，從而消除了配置的複雜性。 無需 C++ 執行時間環境，無需管理 tessdata 資料夾，也無需追蹤特定於平台的本機 DLL。 語言包會在需要時作為單獨的NuGet套件安裝，並與標準的.NET相依性管理整合。 Iron Software專門為需要 OCR 功能但又不想承擔基礎架構負擔的.NET開發人員設計了這種方法。 了解更多關於IronOCR入門的資訊。

Tesseract 文字擷取範例

請考慮以下使用 Tesseract 引擎的影像處理工作流程。此程式碼演示了基本的 OCR 功能，用於從 PNG 檔案中提取文字：

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

using TesseractOCR;
using TesseractOCR.Enums;
// Initialize the engine with tessdata path and language
using var engine = new Engine(@"./tessdata", Language.English, EngineMode.Default);
// Load input image using Pix format
using var img = Pix.LoadFromFile("document.png");
// Process the image and create a page
using var page = engine.Process(img);
// Extract plain text from recognized text
Console.WriteLine(page.GetText());

這種方法需要管理 tessdata 資料夾路徑，確保檔案權限正確，並處理 Tesseract 引擎所需的 Pix 映像格式。如果訓練資料檔案缺失或不相容，引擎初始化可能會拋出異常。 記憶體使用需要格外注意，因為必須正確釋放 Tesseract 原生資源，以防止非託管程式碼造成記憶體洩漏。 對於遇到初始化問題的開發人員， IronOCR故障排除指南解釋了常見的 Tesseract 挑戰和解決方案。

IronOCR文字擷取範例

以下程式碼展示了IronOCR如何簡化相同的文字擷取任務：

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
// Initialize the OCR engine
var ocr = new IronTesseract();
// Load and process the input image
using var input = new OcrInput();
input.LoadImage("document.png");
// Read text with automatic optimization
var result = ocr.Read(input);
Console.WriteLine(result.Text);

IronTesseract 類別提供了一個託管包裝器，可以自動處理記憶體使用情況。 OcrInput 類別可以直接從檔案路徑、位元組數組、流或 System.Drawing 物件接收影像文件，而無需格式轉換。 產生的 result 物件包含結構化數據，例如置信度分數、單字位置和段落邊界，所有這些對於建立複雜的文件處理管道都很有價值。 查看完整的圖像轉文字教學，了解更多進階功能。

輸入

Tesseract C# vs IronOCR： .NET中 OCR 實現的完整指南：圖 2 - 範例影像輸入 @@----IMG-60-EG--@@

輸出

Tesseract 預處理局限性

Tesseract 引擎的設計目的是處理乾淨、高解析度且文字方向正確的圖像檔案。 處理旋轉或有雜訊的影像時，OCR 引擎經常會傳回亂碼輸出或完全無法辨識文字。 解決這些影像品質問題需要 ImageMagick、OpenCV 等外部工具，或自訂預處理程式碼，這些程式碼必須在將影像傳遞給 OCR 引擎之前運行。

這種預處理開銷會顯著增加.NET開發時間。每種文件類型可能需要不同的校正程序，而針對各種輸入調整這些管道以獲得最佳結果本身就是一個獨立的項目。 低估這項工作的團隊往往會發現，Tesseract 的"免費"成本會被數週的預處理工作所抵消。

IronOCR內建影像預處理

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correct skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("skewed-scan.png");
// Apply automatic corrections for high accuracy
input.Deskew();  // Correct skew on rotated images
input.DeNoise(); // Remove digital noise
var result = ocr.Read(input);
Console.WriteLine(result.Text);

IronOCR支援影像校正濾鏡，可自動解決常見的文件品質問題。 Deskew() 方法透過偵測文字行角度並應用補償旋轉來糾正傾斜。 DeNoise() 方法可以消除掃描或數位雜訊中的偽影，否則這些偽影或雜訊會幹擾文字辨識。 其他濾鏡包括 EnhanceResolution()，用於改善低 DPI 影像；Contrast()，用於恢復褪色文字；以及 Invert()，用於處理深色背景上的淺色文件。 這些內建的影像預處理工具在大多數文件處理場景中消除了對外部影像處理庫的需求。

輸入

Tesseract C# vs IronOCR： .NET中 OCR 實現的完整指南：圖 4 - 範例輸入@@----IMG-62-EG--@@

輸出

Tesseract 格式要求

Tesseract 的底層 Leptonica 庫內部使用 PIX 格式影像。 雖然.NET封裝程式可以自動處理一些轉換，但像多頁 TIFF 或 PDF 文件這樣的複雜影像格式需要額外的處理，而且通常需要外部函式庫。 .NET開發人員經常遇到將 System.Drawing 物件或 Stream 來源轉換為 Tesseract 引擎期望的格式的問題，尤其是在處理來自 Web 應用程式或資料庫 blob 儲存的映像時。

多幀 GIF 和多頁 TIFF 需要手動遍歷幀，這為原本簡單的文字擷取任務增加了樣板程式碼。

IronOCR格式靈活性

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
// Load various image formats directly
input.LoadImage("photo.jpg");
input.LoadImage("screenshot.png");
input.LoadImage("fax.tiff");
input.LoadPdf("scanned-contract.pdf");
var result = ocr.Read(input);
Console.WriteLine(result.Text);

IronOCR支援所有主流影像格式，包括 JPG、PNG、GIF、TIFF、BMP 和 WebP。該程式庫可自動處理多頁 TIFF 和 GIF 文件，將每一幀作為單獨的頁面進行處理。 對於文件數位化，圖書館直接處理 PDF 文件輸入——從掃描頁面中提取文本，而無需單獨的 PDF 處理庫或圖像轉換步驟。

輸出

Tesseract 語言配置

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

using TesseractOCR;
using TesseractOCR.Enums;
// Requires downloading fra.traineddata to tessdata folder
using var engine = new Engine(@"./tessdata", Language.French, EngineMode.Default);

每種語言都需要從Tesseract GitHub儲存庫下載對應的 .traineddata 文件，並將其放置在正確的 tessdata 資料夾中。 對於多語言文檔，您可以在 engine 初始化期間指定多種語言。 在開發、測試和生產環境中管理這些語言文件，並確保所有部署目標在輸出目錄中都有正確的版本，這增加了操作複雜性，而且隨著語言需求的增長，這種複雜性還會加劇。

IronOCR語言包配置

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

using IronOcr;
var ocr = new IronTesseract();
// Install IronOcr.Languages.French NuGet package first
ocr.Language = OcrLanguage.French;
// Process multi-language documents
ocr.AddSecondaryLanguage(OcrLanguage.German);

IronOCR將語言包作為NuGet包分發，並與標準的.NET相依性管理工具整合。 該庫支援127 種以上的語言，包括專門的手寫體和特定腳本變體，能夠優雅地處理多語言文件。 建置過程中的套件還原可確保所有必要的語言檔案自動部署，無需手動檔案管理或版本控制。

Tesseract平台挑戰

Tesseract .NET封裝實作依賴於為特定平台編譯的本機 C++ 函式庫。 Windows、Linux 和 macOS 之間的 DLL(共用程式庫)檔案有所不同，32 位元和 64 位元架構之間的 DLL 檔案也有所不同。 部署到 Linux 需要與 Windows 不同的二進位文件，並且需要在部署環境中配置正確的庫路徑。

雲端部署帶來了額外的挑戰。 Azure 應用程式服務、AWS Lambda 和容器化環境可能缺少原生 Tesseract 所需的 Visual C++ 執行時間環境。 在 Docker 容器或無伺服器函數中安裝這些依賴項會增加建置管道的複雜度並增加映像大小。 許多.NET開發人員都曾經遇到過這樣的情況：當原生依賴項沒有正確打包時，部署就會失敗，而這些相依性在本機 Visual Studio 開發中卻運作良好。

IronOCR跨平台一致性

IronOCR作為一個純粹的託管.NET庫運行，無需管理任何外部本機依賴項。 同一個NuGet套件可以在 Windows、macOS、Linux、 Azure 應用程式服務、 AWS Lambda和Docker 容器中穩定運作。 這種架構極大地簡化了 CI/CD 管道，使您能夠在本地建置並可靠地部署到生產環境，而無需進行特定於平台的配置調整。

Tesseract 結果訪問

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

using var page = engine.Process(img);
// Basic OCR text output
string text = page.Text;
// Confidence score (mean across all recognized text)
float confidence = page.GetMeanConfidence();

Tesseract 提供識別出的文字和整體置信度評分。 要取得更細粒度的數據，例如單字的位置或每個字元的置信度，需要額外的 API 呼叫和仔細遍歷結果結構。 API介面功能齊全，但缺少生產文件管道通常需要的分層結果模型。

IronOCR結構化結果及信賴度評分

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

using IronOcr;
var ocr = new IronTesseract();
using var input = new OcrInput();
input.LoadImage("document.png");
var result = ocr.Read(input);
// Full text extraction
Console.WriteLine(result.Text);
// Iterate through structured elements with confidence scores
foreach (var page in result.Pages)
{
    foreach (var paragraph in page.Paragraphs)
    {
        Console.WriteLine($"Paragraph: {paragraph.Text}");
        Console.WriteLine($"Confidence: {paragraph.Confidence}%");
    }
}

OcrResult 類別提供對頁面、段落、行、單字和單字的分層存取。 每個元素都包含邊界框座標和置信度分數，使.NET應用程式能夠突出顯示識別的文字區域、從特定區域提取內容、驗證識別品質或標記置信度低的部分以供人工審核。 IronOCR還可以將結果直接匯出為可搜尋的 PDF或hOCR/HTML 格式，以便進行存檔和搜尋索引。

輸出

Tesseract 何時最合適

Tesseract 在特定場景下表現良好，其優缺點可以接受：

• 預算限制要求採用開源的 Apache 2.0 授權解決方案。
• 僅處理乾淨、高品質的數位文件（原生數位 PDF、螢幕截圖） 開發團隊擁有 C++ 互通性和原生庫管理的經驗 專案需求僅限於基本的OCR文字擷取，不涉及進階功能。 目標部署環境是一個受控環境，可以在其中一致地管理依賴項。

IronOCR帶來更佳效果

IronOCR是生產工作負載的更佳選擇：

• 建立生產級.NET應用程序，其中 OCR 準確性會影響業務成果
• 處理各種不同品質的文檔，包括掃描件、照片、傳真件和手機拍攝的照片
• 在多個平台或雲端環境中部署，以確保一致性。
• 需要專業的技術支持，包括定期修復漏洞和更新功能。
• 開發時間表不允許我們應對配置和預處理方面的挑戰
• 要求包括PDF檔案處理、條碼和二維碼讀取，或結構化結果資料處理

對於先前建置過基於 Tesseract 的管道並且正在評估遷移的團隊， IronOCR遷移指南涵蓋了關鍵的 API 差異和過渡步驟。