IronOCR 与 Azure OCR PDF：哪种解决方案能更好地提取文本？

使用 IronOCR 提取文本

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);

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}");
}

使用 Azure 文档智能提取文本

要使用 Azure 文档智能，您必须先在 Azure 门户中创建资源，配置身份验证凭据，然后安装 Azure SDK。 读取 API 调用使用异步操作：

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);
    }
}

管理凭证、处理异步操作以及遍历响应数据结构都会增加复杂性。 任何网络中断或 Azure 服务中断都可能导致提取作业失败，因此生产应用程序需要重试逻辑。

创建可搜索的 PDF 文件

此功能可将任何扫描的 PDF 文件转换为完全可搜索的文档，使用户能够搜索、选择和复制文本。 该过程保留了原始文档的视觉外观，同时嵌入了从 OCR 结果中提取的不可见文本层。 这是一个单一的方法调用，它内部处理所有事情。

Azure 文档智能不提供直接创建可搜索 PDF 的功能。 要使用 Azure 实现相同的结果，开发人员必须从 API 响应中提取文本数据，然后使用单独的 PDF 库(例如 iTextSharp 或 PdfSharp)来重建带有嵌入文本层的文档。 这会给您的项目增加额外的依赖项、开发时间和维护负担。

对于经常转换大量扫描文档(发票、合同、历史记录)的组织而言， IronOCR的单一方法显著减少了集成工作量。

在IronOCR中配置语言

IronOCR通过 Tesseract 语言数据文件支持超过 125 种语言。 配置 IronTesseract 实例时，您可以指定一种或多种语言：

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);

语言包通过单独的NuGet包安装——例如，IronOcr.Languages.French 用于法语语言支持。 这样既能保持核心库的轻量级，又能让你只添加应用程序所需的语言。

语言文档提供了可用语言包及其对应的NuGet包名称的完整列表。 对于混合文字或未知语言内容的文档， IronOCR还支持自动语言检测配置。

Azure 文档智能中的语言支持

Azure 文档智能的读取 API 支持 100 多种印刷语言以及其中一部分语言的手写识别功能。 语言检测在云端自动进行——大多数情况下，开发人员无需显式指定语言。 这种自动检测方式虽然方便，但会增加每页的成本，并且需要将所有文档传输到微软的服务器。

对于包含敏感信息的文档(财务记录、医疗保健数据、法律合同)，将内容发送到云端点会引入本地处理完全避免的数据治理问题。

IronOCR的批量处理

对于大批量工作流程， IronOCR使用标准的.NET并行处理高效地处理批量数据。 由于该库在本地运行，因此您可以并行运行多个 OCR 作业，而不会受到速率限制或 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.");

此模式可同时处理整个文件夹中的 PDF 文件，仅受计算机 CPU 和内存资源的限制，而不受 API 速率限制或网络带宽的限制。

对于更高级的批量处理场景， IronOCR操作指南涵盖了批量处理模式、进度跟踪和输出管理。

使用 Azure 文档智能进行批量处理

Azure 文档智能支持批量处理，但每个文档都需要单独调用 API 或使用批量分析文档 API。 高容量作业会受到 Azure 的速率限制——标准层通常为每秒 15 个请求。 每天处理数万份文件的组织需要实施排队、重试逻辑和限流管理，以保持在服务限制范围内。

对于可预测的高容量工作负载，我们提供基于承诺的定价方案，但这需要预先签订承诺协议，并受微软服务条款的约束。