Разработка сканера со встроенным поиском товаров по штрих-коду

Сканирование и поиск: от распознавания до выдачи товара

Представьте: пользователь открывает камеру, наводит на штрих-код — приложение должно за миллисекунды распознать код, найти товар в базе и отобразить результат. На первый взгляд задача простая, но на практике пайплайн захват → распознавание → запрос → отображение может стать узким местом. Без правильной архитектуры время от сканирования до вывода результата превышает 2 секунды, что приводит к отказу пользователей. Мы реализовали этот функционал для более чем 30 проектов. Опыт показывает: если не продумать архитектуру заранее, проект рискует увязнуть в переделках. Разберём, как это сделать правильно и без сюрпризов.

Платформенные возможности для распознавания

iOS: AVFoundation с AVMetadataObjectTypeEAN13Code, UPC-A, QRCode и ещё десятком типов. Либо VisionKit — VNDetectBarcodesRequest с VNBarcodeObservation, удобный для обработки статичных изображений из галереи. DataScannerViewController (начиная с iOS 16) — самый простой путь: один класс, встроенный UI, поддержка всех типов из коробки. Документация Apple: AVFoundation.

Android: ML Kit Barcode Scanning (com.google.mlkit:barcode-scanning) — работает офлайн, поддерживает 1D и 2D коды. Либо ZXing — проверенная библиотека, но на слабых устройствах ML Kit быстрее ZXing в 2–3 раза, особенно при распознавании Data Matrix.

Выбор зависит от минимальной версии OS и требований к офлайн-работе. На Android ML Kit требует Google Play Services; на устройствах без GMS (Huawei) нужен автономный bundled model. Мы подбираем стек под конкретный проект — это гарантирует стабильность на любых устройствах.

Почему поиск сложнее сканирования?

Само сканирование — несколько строк кода. Сложность в архитектуре поиска.

Дедупликация результатов. Камера распознаёт один и тот же штрих-код десятки раз в секунду. Без дебаунса запрос уйдёт на сервер 50 раз до того, как пользователь уберёт камеру от полки. Решение: throttle на последний распознанный код с задержкой 800–1000 мс.

Офлайн-поиск. Если каталог товаров доступен локально, поиск по SQLite или Room (Android) / CoreData (iOS) по полю barcode с индексом работает за 1–5 мс. Без индекса на таблице из 100 000 товаров — 300–500 мс даже на флагмане.

Неизвестный код. Пользователь видит сообщение, если штрих-код не найден в базе. Fallback на Open Food Facts API или GS1 lookup, или просто сообщение — это продуктовое решение, но его нужно заложить в архитектуру заранее, иначе переделывать flow.

Пример: поиск с дебаунсом на iOS

private var lastScannedCode: String?
private var searchTimer: Timer?

func handleScannedCode(_ code: String) {
    guard code != lastScannedCode else { return }
    lastScannedCode = code
    searchTimer?.invalidate()
    searchTimer = Timer.scheduledTimer(withTimeInterval: 0.8, repeats: false) { [weak self] _ in
        self?.performSearch(barcode: code)
    }
}

Как мы обрабатываем разные типы штрих-кодов?

В зависимости от сценария мы подключаем нужные парсеры. Ниже — таблица распространённых форматов, с которыми работаем.

Если в техзадании не указаны конкретные типы — уточняем заранее. Включать поддержку всех типов без необходимости не стоит: это замедляет распознавание и усложняет код. Оптимально ограничиться тремя самыми востребованными.

Как реализовать офлайн-поиск без задержек?

Для офлайн-режима используем индексированные БД: CoreData на iOS и Room на Android. Поле barcode индексируется, что даёт скорость поиска 1–5 мс на 100 000 записей. Дополнительно кэшируем результаты запросов в памяти (NSCache / LruCache), чтобы повторный поиск по тому же коду не обращался к диску. Если товар не найден локально, переходим к fallback.

Процесс разработки: от анализа до деплоя

1. Анализ требований (1–2 дня) — уточняем форматы кодов, необходимость офлайн-базы, fallback-стратегию, целевую аудиторию.
2. Проектирование (1–2 дня) — выбираем библиотеки, проектируем архитектуру поиска (дебаунс, кэш, индексы), определяем API-контракты.
3. Реализация (3–5 дней) — пишем код сканирования, интеграцию с локальной базой и бэкендом, реализуем fallback.
4. Тестирование (1–2 дня) — проверяем на библиотеке из 200+ тестовых штрих-кодов, включая редкие форматы и повреждённые коды.
5. Деплой (1 день) — публикуем в App Store / Google Play с настроенными App Review и тестами.

Для iOS минимальная поддерживаемая версия — iOS 13 (тогда доступен VisionKit). Если требуется поддержка iOS 12, используем только AVFoundation. Для Android — minSdk 21 (ML Kit доступен с API 19, но рекомендуем 21+). ProGuard/R8 правила (для keep barcode classes) предоставляем в дистрибутиве.

Сравнение библиотек распознавания

Почему стоит доверить разработку нам?

Мы занимаемся мобильной разработкой на протяжении многих лет. За это время реализовали более 30 интеграций сканирования и поиска по штрих-кодам для ритейла, складов и логистики. Используем проверенные библиотеки и фреймворки, автоматизируем тестирование пайплайна. Каждый проект сдаём с документацией по доступным API и рекомендациями по поддержке. Экономия на разработке с нуля может достигать 40% при использовании готовых компонентов.

Что входит в результат

• Настроенное распознавание под выбранные форматы.
• Архитектура поиска с дебаунсом и кэшированием.
• Интеграция с бэкендом или локальной базой.
• Обработка fallback для неизвестных кодов.
• Исходный код с комментариями, инструкция по сборке и деплою, помощь с публикацией в App Store / Google Play.

Срок разработки базовой версии — 1–3 дня для одного типа поиска, до 5–7 дней для комплексного решения с офлайн-каталогом. Стоимость рассчитывается индивидуально после уточнения типов кодов и архитектуры поиска.

Получите консультацию по вашему проекту — мы оценим сложность и предложим подходящее решение. Свяжитесь с нами, чтобы обсудить задачу.

Интеграция с железом: BLE, NFC, IoT и HomeKit в мобильных приложениях

Когда задача — связать смартфон с физическим устройством, половина проблем находится не в коде, а в прошивке железа, характеристиках BLE-сервисов и задержках протокола. Мы, как мобильные разработчики, работаем на стыке с firmware-командой, и без понимания стека снизу вверх результат непредсказуем. Вот почему мы всегда начинаем с HCI-лога и спецификации GATT — Apple Developer: Core Bluetooth Framework — это единственный способ избежать реверс-инжиниринга в полевых условиях.

Почему BLE-интеграция — самая частая точка отказа?

Bluetooth Low Energy — основной протокол для носимых, медицинских устройств, умных замков и промышленных датчиков. Core Bluetooth на iOS и BluetoothGatt на Android реализуют одну спецификацию, но ведут себя по-разному в крайних случаях. Статистика наших проектов: более 70% обращений в поддержку по BLE связаны именно с низкоуровневыми ошибками GATT, а не с логикой приложения.

Что делать с ошибкой 133 в Android?

Ошибка 133 — самая частая в Android BLE-разработке. Это не «что-то пошло не так», а конкретный индикатор переполнения очереди GATT или некорректного закрытия предыдущего соединения. Мы лечим её двумя приёмами: используем очередь операций над GATT (write, read, notification subscribe строго последовательно через операционную очередь) и всегда вызываем disconnect() перед close(). Наша очередь GATT-операций в 3 раза снижает количество ошибок ATT_INSUFFICIENT_RESOURCES по сравнению с конкурентными запросами. MTU по умолчанию — 23 байта. Запрос на увеличение (MTU exchange) обязателен для передачи данных объёмом более 20 байт. На iOS MTU запрашивается автоматически при подключении, на Android требуется явно вызывать requestMtu(). Без этого вы не сможете передать, например, изображение или лог через характеристику.

NFC: CoreNFC и Android NFC API

iOS поддерживает NFC-чтение через CoreNFC с версии iOS 11, запись — с iOS 13. Важное ограничение: сессия сканирования активна только пока жив NFCNDEFReaderSession объект и показывает системный UI. Фоновое сканирование доступно только для приложений с entitlement com.apple.developer.nfc.readersession.formats и только для ISO 14443 (банковские карты, паспорта) — и этот entitlement выдаётся не всем. На Android всё проще: NfcAdapter.enableForegroundDispatch() ловит теги в foreground без системного UI. Фоновый запуск приложения по NFC-тегу реализуется через intent-filter с ACTION_NDEF_DISCOVERED. Сравнение платформ по NFC:

HomeKit и Matter

HomeKit — экосистема Apple для умного дома. Для интеграции устройство должно иметь MFi-сертификацию (или работать через Software Authentication для Matter). Мобильное приложение использует HomeKit framework: HMHomeManager → HMHome → HMRoom → HMAccessory → HMService → HMCharacteristic. Matter (ранее CHIP) — кросс-платформенный стандарт, который поддерживают Apple, Google, Amazon и Samsung. На iOS Matter-устройства добавляются через MTRDeviceController, на Android — через Google Home SDK или Matter SDK напрямую. Преимущество Matter: одно устройство работает с HomeKit, Google Home и Alexa без перепрошивки, а конфигурация настраивается в 4 раза быстрее по сравнению с собственным HAP-протоколом.

Для Flutter и React Native используем flutter_blue_plus и react-native-ble-plx соответственно — оба активно поддерживаются и покрывают 90% сценариев, но для работы с GATT-нотификациями в background на Android всё равно нужен foreground service. Убедитесь, что deep linking (Universal Links на iOS, App Links на Android) настроены для корректного пробуждения приложения при сканировании NFC-тега или получении push-уведомления от IoT-устройства. Требования ATT (App Tracking Transparency) для интеграции с железом обычно не применяются, но если приложение собирает анонимную аналитику — добавьте запрос.

Как мы интегрируем BLE и NFC: пошаговый процесс

1. Аналитика — получаем от firmware-команды полную спецификацию BLE GATT (список сервисов, характеристик, форматы данных) или HCI-лог. Без этого разработка превращается в реверс-инжиниринг через nRF Connect или Wireshark over HCI.
2. Проектирование — определяем архитектуру подключений: очередь GATT-операций, фоновые сервисы для Android, переподключение при потере связи. Учитываем MTU-согласование и обработку ошибок ATT_INSUFFICIENT_RESOURCES.
3. Реализация — кодим на Swift/Kotlin с учётом особенностей платформ (Universal Links, App Links, push‑уведомления через APNs/FCM для триггеров). Для защиты Android-кода используем ProGuard / R8 (shrink).
4. Тестирование — на реальных устройствах с первого дня. Эмулятор BLE в симуляторах не воспроизводит edge cases переподключения, потери сигнала, смены MTU. Используем автоматизацию на базе XCTest и Espresso.
5. Деплой — загрузка в App Store Connect / Google Play Console с правильным code signing и provisioning profile. Для iOS — TestFlight, для Android — Firebase App Distribution.

Что входит в работу (deliverables)

• Исходный код мобильного приложения с интеграцией BLE, NFC или IoT (Swift / Kotlin / Flutter / React Native)
• Документация по протоколу GATT (карта сервисов и характеристик)
• Нагрузочное тестирование на 10+ реальных устройствах (ошибка 133, переподключения, MTU-согласование)
• Анализ и устранение edge cases (ошибка ATT_INSUFFICIENT_RESOURCES, потеря соединения на фоне, конфликт с background fetch)
• Инструкция по сборке и деплою (code signing, TestFlight, Firebase App Distribution)
• Месяц поддержки после релиза

Сроки и ориентировочная стоимость

Простая интеграция с одним BLE-периферийным устройством (показания + команды управления) — от 2 до 4 недель. Типичная стоимость такой задачи — от 150 000 до 300 000 ₽, включая отладку GATT-профиля и обработку edge cases. Полноценное IoT-приложение с несколькими типами устройств, firmware OTA-обновлениями и HomeKit-поддержкой — от 2 месяцев. Стоимость рассчитывается индивидуально под ваш проект.

Мы занимаемся мобильной разработкой несколько лет, реализовали 45+ проектов с BLE/NFC/HomeKit. Наши инженеры сертифицированы Apple и Google, а каждый этап работы фиксируется в issue tracker с привязкой к коммитам. Мы используем подход «инженер клиенту»: без маркетинговых пауз, с прямым доступом к разработчику.

Свяжитесь с нами для оценки — получите консультацию инженера с разбором вашей спецификации. Закажите интеграцию под ключ: мы проанализируем HCI-лог, проверим GATT-характеристики и предложим архитектуру за 2 дня.