日期：2025年 10月 04日

標籤： Tesseract Tesseract OCR OCR Asp.NET Core Asp.NET Core Web MVC C# Web

摘要：C# 學習筆記

第一部分：Tesseract 與 TesseractOCR 介紹

Step 1： Tesseract OCR 簡介

以下介紹來自於Wiki

Tesseract是光學字元辨識引擎，支援多種作業系統。Tesseract是基於Apache授權條款的自由軟體，自2006年起由Google贊助開發。

2006年，Tesseract被認為是最精準的開源光學字元辨識引擎之一。

簡言之：可以透過 Tesseract OCR 做圖片辨識，轉為文字

Step 2： Tesseract 的優缺點

從早期的低準確度(2006 ~ 2025年至今)，Tesseract OCR 是不斷進步的，時至今日有以下優點：

仍遺留的缺點

Step 3： 與主流雲服務的 OCR 方案比較

目前打開 Google 翻譯，用相機模式，可以自動翻譯到其他國家的語言，也是因為商業用途對用於戶的體驗更好。
Tesseract 是給想免費解決某些應用場景問題而使用，如果要更專業更強大的 OCR 來進行高精確度的圖片轉文字，建議還是需要付費。

Step 4： Tesseract OCR 應用場景

如果有符合以下開發需求，那麼可以考慮使用 Tesseract OCR

針對上述的應用場景，也仍需考量以下將面臨的挑戰：

針對上述的挑戰，可以考慮以下方向進行應對策略：

無論如何，Tesseract 的最大對手是成本，當想要使用圖片識別並且可以持續使用，長遠看來會是大量的成本(時間、精力、金錢)
要針對自己解決的問題而決定是否使用

Step 5： Tesseract OCR 與 Tesseract

在 Nuget 中，我們可以看到有 2 種版本的 Tesseract Libary，在使用前可以

兩者都是 Google 維護的開源專案，但早期的 OCR 都是使用 charlesw/tesseract (也就是網路上大部分文章都使用這個 Libary)
現在都傾向使用 跨平台、更高效能 的 Sicos1977/TesseractOCR

連結：
Sicos1977/TesseractOCR
charlesw/tesseract
Nuget 會看見：

第二部分：範例專案架構

Step 1： 範例專案說明

打開本篇範例代碼後，架構基本分成以下：

第三部分：Tesseract 準備工作

Step 1： Nuget 安裝套件

先對自己的專案安裝 Nuget 套件：

Tesseract
TesseractOCR

Step 2： 安裝語言包

到Tesseract 的 Github 語言包下載語言包，這篇文章會用到簡體中文、英文
以下 2 個分別是簡體中文、英文

chi_sim.traineddata
eng.traineddata

找到對應的檔案下載：

Step 3： 語言包放進專案目錄下

將語言包放進自己專案底下的目錄中，這邊使用 Source\tessdata\ 資料夾下

$\Source\tessdata\chi_sim.traineddata
$\Source\tessdata\eng.traineddata

Step 4： 設定語言包檔案

進入 Visual Studio 中，對專案中的上述 2 個語言包檔案 -> 複製到輸出目錄 -> 永遠複製
編譯成功時，會自動輸出語言包

Step 5： 準備圖檔

為了便於說明，這邊使用此網站的圖片作為辨識 雷速體育，其中英超資料的一段截圖
※此網站專注提供運彩資訊，為了防止機器人爬蟲，有很好的防禦力，通常應對這類型的網站進行爬取資料，OCR 就是一種解決方案

第四部分：Tesseract 與 TesseractORC 代碼實作

Step 1：經典 Tesseract

以下為對應代碼 TesseractService.cs 流程，要注意的是要多語言使用的是 + 符號組成

/// <summary>
/// 使用 Tessract 進行 OCR 分辨文字
/// </summary>
/// <returns></returns>
public string TesseractVersionImage()
{
    // 1. 語言包路徑
    var tessDataPath = Path.Combine(AppDomain.CurrentDomain.BaseDirectory, $@"Source\tessdata");

    // 2. 解析的文字內容
    var result = string.Empty;
    try
    {
        // 3. 設定語言包，必須使用副檔名前的名稱，並且用 + 才能支持多語言
        using (var engine = new TesseractEngine(tessDataPath, "eng+chi_sim", EngineMode.Default))
        {
            // 4. 讀取圖片
            using (var img = Pix.LoadFromFile(StaticHelper._ImageFileName))
            {
                // 5. 執行 OCR 結果
                using (var page = engine.Process(img))
                {                            
                    result = page.GetText();
                }
            }
        }
    }
    catch (Exception ex)
    {
        Console.WriteLine(ex);
    }
    return result;
}

Step 2：近代優化 TesseractOCR

以下為對應代碼 TesseractServiceOCR.cs 流程，多語言則是 List

/// <summary>
/// 使用 TessractOCR 進行 OCR 分辨文字
/// </summary>
/// <returns></returns>
public string TesseractOCRVersionImage()
{
    // 1. 語言包路徑
    string tessDataPath = Path.Combine(AppDomain.CurrentDomain.BaseDirectory, $@"Source\tessdata");

    // 2. 解析的文字內容
    var result = string.Empty;
    try
    {
        // 3. 設定語言包，必須使用副檔名前的名稱，並且用 List 才能支持多語言
        var languages = new List<Language>() { Language.English, Language.ChineseSimplified };
        using (var engine = new Engine(tessDataPath, languages, EngineMode.Default))
        {
            // 4. 讀取圖片
            using (var img = TesseractOCR.Pix.Image.LoadFromFile(StaticHelper._ImageFileName))
            {
                // 5. 執行 OCR 結果
                using (var page = engine.Process(img))
                {                            
                    result = page.Text;
                }
            }
        }
    }
    catch (Exception ex)
    {
        Console.WriteLine(ex);
    }
    return result;
}

第五部分：DEMO 成果

Step 1：執行成果 - 低解析度圖片

啟動代碼執行後，預設會解析以下圖片


可以看到解出的成果，能夠分辨，但無法完整的解出，但是數字的部分在爬蟲是可以再進行後處理。

Step 2：執行成果 - 提高圖片解析度

但是用另一張較高解析度的圖片，以下：


可以看到解出的成果，這次文字有 8 成可以解釋，並且符號 , 也能順利顯示，對於圖片的清晰度影響很大。

Step 3：未來仍可持續改良

若要更進一步改良效果，可以從 TesseractOCR官方說明文件中嘗試調校參數