如何在 C# 中使用 Tesseract OCR？ IronOCR 的替代方案

使用 Tesseract 引擎和 .NET 進行 OCR

傳統 C# 中的 Tesseract 整合需要管理 C++ 函式庫，這帶來了一些挑戰。

開發人員必須處理特定於平台的二進位文件，確保 Visual C++ 運行時安裝，並管理 32/64 位元相容性問題。 安裝過程通常需要手動編譯 Tesseract 和 Leptonica 函式庫，特別是對於最新的 Tesseract 5 版本，這些版本並非為 Windows 編譯而設計。

在 Azure、Docker 或 Linux 等環境中，權限和相依性差異很大，因此跨平台部署會變得特別棘手。

IronOCR Tesseract for .NET.

IronOCR 透過 NuGet 分發的單一託管 .NET 程式庫，簡化了安裝流程：

Install-Package IronOcr

沒有原生 DLL，沒有 C++ 執行時，沒有平台特定的配置。 所有功能均以純託管程式碼形式運行，並自動解決依賴關係。

該庫與以下庫完全相容：

• .NET Framework 4.6.2 及更高版本
• .NET Standard 2.0 及更高版本（包括 .NET 5、6、7、8、9 和 10）
• .NET Core 2.0 及更高版本

這種方法確保在 Windows、macOS、Linux、Azure、AWS Lambda、Docker 容器，甚至 Xamarin 行動應用程式中保持一致的行為。

使用 C# 連接 Google Tesseract

Tesseract 5 雖然功能強大，但對 Windows 開發人員來說卻帶來了巨大的挑戰。

最新版本需要使用 MinGW 進行交叉編譯，而 MinGW 很少能產生可用的 Windows 二進位。 GitHub 上的免費 C# 封裝庫通常比最新的 Tesseract 版本落後數年，缺少關鍵的改進和錯誤修復。 由於這些編譯障礙，開發人員經常使用過時的 Tesseract 3.x 或 4.x 版本。

IronOCR Tesseract for .NET.

IronOCR 配備了專為 .NET 優化的客製化 Tesseract 5 引擎。

此實作方案包含效能增強功能，例如原生多執行緒支援、自動影像預處理以及高效處理大型文件。 定期更新可確保與最新的 .NET 版本相容，同時保持向後相容性。

該庫還透過專用的 NuGet 套件提供廣泛的語言支持，無需管理外部詞典文件即可輕鬆添加對 127 多種語言的 OCR 功能。

Google Cloud OCR 比較

雖然Google Cloud Vision OCR提供了很高的準確率，但它需要互聯網連接，每次請求都會產生費用，並且對於敏感文件而言，會引發資料隱私問題。 IronOCR 可提供與本地處理相當的精度，使其成為需要資料安全或離線功能的應用的理想選擇。

在 .NET 專案中使用 Google Tesseract

Raw Tesseract 擅長讀取高解析度、完美對齊的文本，但難以處理實際文件。

掃描的頁面、照片或低解析度影像如果不經過大量預處理，通常會產生亂碼輸出。 要達到可接受的精確度，通常需要使用 ImageMagick 或類似工具的自訂影像處理流程，這會增加每種文件類型的數週開發時間。

常見的準確性問題包括：

• 讀錯傾斜文件上的字符 低DPI掃描完全失敗
• 混合使用不同字體或版面時效能不佳
• 無法處理背景噪音或浮水印

.NET 專案中的 IronOCR Tesseract

IronOCR 的增強版無需人工預處理，即可在典型商業文件上實現99.8-100% 的準確率：

using IronOcr;
using System;

// Create an instance of the IronTesseract class for OCR processing
var ocr = new IronTesseract();

// Create an OcrInput object to load and preprocess images
using var input = new OcrInput();

// Specify which pages to extract from multi-page documents
var pageIndices = new int[] { 1, 2 };

// Load specific frames from a TIFF file
// IronOCR automatically detects and handles various image formats
input.LoadImageFrames(@"img\example.tiff", pageIndices);

// Apply automatic image enhancement filters
// These filters dramatically improve accuracy on imperfect scans
input.DeNoise();    // Removes digital artifacts and speckles
input.Deskew();     // Corrects rotation up to 15 degrees

// Perform OCR with enhanced accuracy algorithms
OcrResult result = ocr.Read(input);

// Access the extracted text with confidence metrics
Console.WriteLine(result.Text);

// Additional accuracy features available:
// - result.Confidence: Overall accuracy percentage
// - result.Pages[0].Words: Word-level confidence scores
// - result.Blocks: Structured document layout analysis

using IronOcr;
using System;

// Create an instance of the IronTesseract class for OCR processing
var ocr = new IronTesseract();

// Create an OcrInput object to load and preprocess images
using var input = new OcrInput();

// Specify which pages to extract from multi-page documents
var pageIndices = new int[] { 1, 2 };

// Load specific frames from a TIFF file
// IronOCR automatically detects and handles various image formats
input.LoadImageFrames(@"img\example.tiff", pageIndices);

// Apply automatic image enhancement filters
// These filters dramatically improve accuracy on imperfect scans
input.DeNoise();    // Removes digital artifacts and speckles
input.Deskew();     // Corrects rotation up to 15 degrees

// Perform OCR with enhanced accuracy algorithms
OcrResult result = ocr.Read(input);

// Access the extracted text with confidence metrics
Console.WriteLine(result.Text);

// Additional accuracy features available:
// - result.Confidence: Overall accuracy percentage
// - result.Pages[0].Words: Word-level confidence scores
// - result.Blocks: Structured document layout analysis

自動預處理過濾器可以處理常見的文件品質問題，否則這些問題需要人工幹預。 DeNoise()方法可去除掃描中的數位偽影，而Deskew()可校正文件旋轉－這兩個項對於保持高精度都至關重要。

高級用戶可以透過自訂配置進一步優化準確性，包括字元白名單、特定區域處理以及針對行業特定術語的專用語言模型。

.NET 中的 Google Tesseract

原生 Tesseract 只接受 Leptonica PIX 格式——一種非託管的 C++ 指針，在 C# 中處理起來很困難。

將 .NET 映像轉換為 PIX 格式需要謹慎的記憶體管理，以防止記憶體洩漏。 支援 PDF 和多頁 TIFF 需要額外的程式庫，而這些程式庫本身也存在相容性問題。 許多實作方案在基本格式轉換方面存在困難，限制了其實際可用性。

IronOCR影像相容性

IronOCR 提供全面的格式支援和自動轉換功能：

• PDF 文件（包括受密碼保護的文件）
• 多幀 TIFF 文件
• 標準格式：JPEG、PNG、GIF、BMP
• 高級格式：JPEG2000、WBMP
• .NET 類型： System.Drawing.Image 、 System.Drawing.Bitmap
• 資料來源：流、位元組數組、檔案路徑 -直接掃描器集成

全面格式支援範例

using IronOcr;
using System;

// Initialize IronTesseract for OCR operations
var ocr = new IronTesseract();

// Create an OcrInput container for multiple sources
using var input = new OcrInput();

// Load password-protected PDFs seamlessly
// IronOCR handles PDF rendering internally
input.LoadPdf("example.pdf", "password");

// Process specific pages from multi-page TIFFs
// Perfect for batch document processing
var pageIndices = new int[] { 1, 2 };
input.LoadImageFrames("multi-frame.tiff", pageIndices);

// Add individual images in any common format
// Automatic format detection and conversion
input.LoadImage("image1.png");
input.LoadImage("image2.jpeg");

// Process all loaded content in a single operation
// Results maintain document structure and ordering
var result = ocr.Read(input);

// Extract text while preserving document layout
Console.WriteLine(result.Text);

// Advanced features for complex documents:
// - Extract images from specific PDF pages
// - Process only certain regions of images
// - Maintain reading order across mixed formats

using IronOcr;
using System;

// Initialize IronTesseract for OCR operations
var ocr = new IronTesseract();

// Create an OcrInput container for multiple sources
using var input = new OcrInput();

// Load password-protected PDFs seamlessly
// IronOCR handles PDF rendering internally
input.LoadPdf("example.pdf", "password");

// Process specific pages from multi-page TIFFs
// Perfect for batch document processing
var pageIndices = new int[] { 1, 2 };
input.LoadImageFrames("multi-frame.tiff", pageIndices);

// Add individual images in any common format
// Automatic format detection and conversion
input.LoadImage("image1.png");
input.LoadImage("image2.jpeg");

// Process all loaded content in a single operation
// Results maintain document structure and ordering
var result = ocr.Read(input);

// Extract text while preserving document layout
Console.WriteLine(result.Text);

// Advanced features for complex documents:
// - Extract images from specific PDF pages
// - Process only certain regions of images
// - Maintain reading order across mixed formats

這種統一的文檔載入方法消除了特定於格式的程式碼。 無論是處理掃描的 TIFF 檔案、數位 PDF 檔案或智慧型手機照片，同一個 API 都能處理所有場景。 OcrInput類別能夠智慧地管理內存，並且無論來源格式如何，都能提供一致的結果。

對於特殊場景，IronOCR 還支援從同一文件中讀取條碼和二維碼，從而能夠一次提取全面的文檔資料。

免費 Google Tesseract 效能

Vanilla Tesseract 可以對與訓練資料相符的預處理高解析度影像提供可接受的速度。

然而，實際表現往往令人失望。 當 Tesseract 處理影像品質不佳時，處理掃描文件的單頁可能需要 10-30 秒。 單執行緒架構會成為批次的瓶頸，並且隨著影像尺寸增加，記憶體使用量可能會呈螺旋式上升。

IronOCR Tesseract 庫效能

IronOCR 為生產工作負載實施智慧效能最佳化：

using IronOcr;
using System;

// Configure IronTesseract for optimal performance
var ocr = new IronTesseract();

// Performance optimization: disable unnecessary character recognition
// Speeds up processing by 20-30% when special characters aren't needed
ocr.Configuration.BlackListCharacters = "~`$#^*_}{][|\\@¢©«»°±·×-–—''""•…′″€™←↑→↓↔⇄⇒∅∼≅≈≠≤≥≪≫⌁⌘○◔◑◕●";

// Use automatic page segmentation for faster processing
// Adapts to document layout without manual configuration
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;

// Disable barcode scanning when not needed
// Eliminates unnecessary processing overhead
ocr.Configuration.ReadBarCodes = false;

// Switch to fast language pack for speed-critical applications
// Trades minimal accuracy for 40% performance improvement
ocr.Language = OcrLanguage.EnglishFast;

// Load and process documents efficiently
using var input = new OcrInput();
var pageIndices = new int[] { 1, 2 };
input.LoadImageFrames(@"img\Potter.tiff", pageIndices);

// Multi-threaded processing utilizes all CPU cores
// Automatically scales based on system capabilities
var result = ocr.Read(input);

Console.WriteLine(result.Text);

// Performance monitoring capabilities:
// - result.TimeToRead: Processing duration
// - result.InputDetails: Image analysis metrics
// - Memory-efficient streaming for large documents

using IronOcr;
using System;

// Configure IronTesseract for optimal performance
var ocr = new IronTesseract();

// Performance optimization: disable unnecessary character recognition
// Speeds up processing by 20-30% when special characters aren't needed
ocr.Configuration.BlackListCharacters = "~`$#^*_}{][|\\@¢©«»°±·×-–—''""•…′″€™←↑→↓↔⇄⇒∅∼≅≈≠≤≥≪≫⌁⌘○◔◑◕●";

// Use automatic page segmentation for faster processing
// Adapts to document layout without manual configuration
ocr.Configuration.PageSegmentationMode = TesseractPageSegmentationMode.Auto;

// Disable barcode scanning when not needed
// Eliminates unnecessary processing overhead
ocr.Configuration.ReadBarCodes = false;

// Switch to fast language pack for speed-critical applications
// Trades minimal accuracy for 40% performance improvement
ocr.Language = OcrLanguage.EnglishFast;

// Load and process documents efficiently
using var input = new OcrInput();
var pageIndices = new int[] { 1, 2 };
input.LoadImageFrames(@"img\Potter.tiff", pageIndices);

// Multi-threaded processing utilizes all CPU cores
// Automatically scales based on system capabilities
var result = ocr.Read(input);

Console.WriteLine(result.Text);

// Performance monitoring capabilities:
// - result.TimeToRead: Processing duration
// - result.InputDetails: Image analysis metrics
// - Memory-efficient streaming for large documents

這些優化措施證明了 IronOCR 已具備量產能力。 僅BlackListCharacters配置一項，在不需要特殊字元的情況下，即可將速度提高 20-30%。 快速語言包為大批量處理提供了極佳的平衡，在這種處理中，完美的準確性並非至關重要。

對於企業應用而言，IronOCR 的多線程支援能夠同時處理多個文檔，與單線程 Tesseract 相比，在現代多核心系統上可實現 4-8 倍的吞吐量提升。

在 .NET 中使用 Google Tesseract OCR

將原始 Tesseract 整合到 C# 應用程式中面臨兩種具有挑戰性的選擇：

-互通封裝器：通常過時、文件不完善且容易出現記憶體洩漏 -命令列執行：部署困難，受安全性原則限制，錯誤處理能力差。

這兩種方法在雲端環境、Web應用程式或跨平台部署中都無法可靠地運作。 缺乏合適的 .NET 整合意味著要花費更多時間與工具作鬥爭，而不是解決業務問題。

IronOCR Tesseract OCR 函式庫，適用於 .NET

using IronOcr;

// Initialize the OCR engine with full IntelliSense support
var ocr = new IronTesseract();

// Process an image with automatic format detection
// Handles JPEG, PNG, TIFF, PDF, and more
var result = ocr.Read("img.png");

// Extract text with confidence metrics
string extractedText = result.Text;
Console.WriteLine(extractedText);

// Rich API provides detailed results:
// - result.Confidence: Overall accuracy percentage
// - result.Pages: Page-by-page breakdown
// - result.Paragraphs: Document structure
// - result.Words: Individual word details
// - result.Barcodes: Detected barcode values

using IronOcr;

// Initialize the OCR engine with full IntelliSense support
var ocr = new IronTesseract();

// Process an image with automatic format detection
// Handles JPEG, PNG, TIFF, PDF, and more
var result = ocr.Read("img.png");

// Extract text with confidence metrics
string extractedText = result.Text;
Console.WriteLine(extractedText);

// Rich API provides detailed results:
// - result.Confidence: Overall accuracy percentage
// - result.Pages: Page-by-page breakdown
// - result.Paragraphs: Document structure
// - result.Words: Individual word details
// - result.Barcodes: Detected barcode values

Google Tesseract + Interop for .NET

跨平台 Tesseract 部署需要針對特定平台進行建置和配置。

每個目標環境都需要不同的二進位檔案、執行時間依賴項和權限。 Docker容器需要仔細選擇基礎映像。 由於缺少 Visual C++ 運行時，Azure 部署經常失敗。 Linux相容性取決於具體的發行版和軟體包可用性。

IronOCR Tesseract .NET OCR庫

IronOCR 提供真正的"一次寫入，隨處部署"功能：

應用類型：

• 桌面應用程式（WPF、WinForms、控制台）
• Web 應用程式（ASP.NET Core、Blazor）
• 雲端服務（Azure Functions、AWS Lambda）
• 行動應用程式（透過 Xamarin）
• 微服務（Docker、Kubernetes）

平台支援：

• Windows（7、8、10、11、伺服器版本）
• macOS (Intel 和 Apple Silicon)
• Linux（Ubuntu、Debian、CentOS、Alpine）
• Docker 容器（官方基礎映像） 雲端平台（Azure、AWS、Google Cloud）

.NET 相容性：

• .NET Framework 4.6.2及以上版本
• .NET Standard 2.0 及以上 (包括 .NET 5、6、7、8、9 和 10)
• .NET Core 2.0 及以上版本 Mono框架
• Xamarin.Mac

該庫在內部處理平台差異，從而在所有環境下提供一致的結果。 部署指南涵蓋了具體場景，包括容器化、無伺服器函數和高可用性配置。

Google Tesseract 語言支援

在 Tesseract 中管理語言需要下載和維護 tessdata 檔案 - 所有語言大約需要 4GB。

資料夾結構必須精確，環境變數必須配置正確，且路徑在運行時必須可存取。語言切換需要存取檔案系統，這使得在受限環境中部署變得複雜。 Tesseract 二進位檔案和語言檔案之間的版本不匹配會導致難以理解的錯誤。

IronOCR語言管理

using IronOcr;

// Configure IronTesseract for Arabic text recognition
var ocr = new IronTesseract
{
    // Set primary language to Arabic
    // Automatically handles right-to-left text
    Language = OcrLanguage.Arabic
};

// Load Arabic documents for processing
using var input = new OcrInput();
var pageIndices = new int[] { 1, 2 };
input.LoadImageFrames("img/arabic.gif", pageIndices);

// IronOCR includes specialized preprocessing for Arabic scripts
// Handles cursive text and diacritical marks automatically

// Perform OCR with language-specific optimizations
var result = ocr.Read(input);

// Save results with proper Unicode encoding
// Preserves Arabic text formatting and direction
result.SaveAsTextFile("arabic.txt");

// Advanced Arabic features:
// - Mixed Arabic/English document support
// - Automatic number conversion (Eastern/Western Arabic)
// - Font-specific optimization for common Arabic typefaces

using IronOcr;

// Configure IronTesseract for Arabic text recognition
var ocr = new IronTesseract
{
    // Set primary language to Arabic
    // Automatically handles right-to-left text
    Language = OcrLanguage.Arabic
};

// Load Arabic documents for processing
using var input = new OcrInput();
var pageIndices = new int[] { 1, 2 };
input.LoadImageFrames("img/arabic.gif", pageIndices);

// IronOCR includes specialized preprocessing for Arabic scripts
// Handles cursive text and diacritical marks automatically

// Perform OCR with language-specific optimizations
var result = ocr.Read(input);

// Save results with proper Unicode encoding
// Preserves Arabic text formatting and direction
result.SaveAsTextFile("arabic.txt");

// Advanced Arabic features:
// - Mixed Arabic/English document support
// - Automatic number conversion (Eastern/Western Arabic)
// - Font-specific optimization for common Arabic typefaces

using IronOcr;

// Install language packs via NuGet:
// PM> Install-Package IronOcr.Languages.ChineseSimplified

// Configure multi-language OCR
var ocr = new IronTesseract();

// Set primary language for majority content
ocr.Language = OcrLanguage.ChineseSimplified;

// Add secondary language for mixed content
// Perfect for documents with Chinese text and English metadata
ocr.AddSecondaryLanguage(OcrLanguage.English);

// Process multi-language PDFs efficiently
using var input = new OcrInput();
input.LoadPdf("multi-language.pdf");

// IronOCR automatically detects and switches between languages
// Maintains high accuracy across language boundaries
var result = ocr.Read(input);

// Export preserves all languages correctly
result.SaveAsTextFile("results.txt");

// Supported scenarios:
// - Technical documents with English terms in foreign text
// - Multilingual forms and applications  
// - International business documents
// - Mixed-script content (Latin, CJK, Arabic, etc.)

using IronOcr;

// Install language packs via NuGet:
// PM> Install-Package IronOcr.Languages.ChineseSimplified

// Configure multi-language OCR
var ocr = new IronTesseract();

// Set primary language for majority content
ocr.Language = OcrLanguage.ChineseSimplified;

// Add secondary language for mixed content
// Perfect for documents with Chinese text and English metadata
ocr.AddSecondaryLanguage(OcrLanguage.English);

// Process multi-language PDFs efficiently
using var input = new OcrInput();
input.LoadPdf("multi-language.pdf");

// IronOCR automatically detects and switches between languages
// Maintains high accuracy across language boundaries
var result = ocr.Read(input);

// Export preserves all languages correctly
result.SaveAsTextFile("results.txt");

// Supported scenarios:
// - Technical documents with English terms in foreign text
// - Multilingual forms and applications  
// - International business documents
// - Mixed-script content (Latin, CJK, Arabic, etc.)

Google Tesseract for C# OCR

選擇香草色 Tesseract 的情況：

參與學術或研究項目

• 處理完美掃描的文檔，開發時間不受限制
• 建立概念驗證應用程式 成本是唯一考慮因素。

要做好應對重大整合挑戰和持續維護需求的準備。

IronOCR Tesseract OCR 函式庫，適用於 .NET Framework 和 Core

IronOCR是以下情況的最佳選擇：

• 需要可靠性的生產應用
• 具有真實世界文檔品質的項目
• 跨平台部署
• 時間緊迫的開發計劃
• 需要專業支援的應用

該庫透過縮短開發時間和提高複雜文件的準確性來收回成本。