Una comparación entre IronOCR y Abbyy Finereader

1.1 ABBYY FineReader PDF: Introducción y funciones

ABBYY FineReader PDF es una aplicación de reconocimiento óptico de caracteres (OCR) creada por ABBYY. Nos permite convertir documentos de imagen (fotos, escaneos, archivos PDF), y capturas de pantalla en formatos de archivo editables como Microsoft Word, Microsoft Excel, Microsoft PowerPoint, Rich Text Format, HTML, PDF/A, PDF buscable, CSV y texto (texto plano).

ABBYY FineReader es una aplicación de escritorio disponible tanto para Windows, Linux como macOS. También permite la creación de formatos editables para archivos pdf. Podemos también leer PDFs al igual que podemos hacerlo con Adobe Acrobat. ABBYY FineReader integra documentos escaneados en flujos de trabajo digitales.

Administre y complete documentos de manera simple y eficiente para ahorrar tiempo y esfuerzo. Trabaje con cualquier documento de la misma manera metódica, ya sea creado digitalmente o convertido de papel. Puede alterar el texto, tablas y el diseño completo de su PDF sin tener que convertirlo primero.

ABBYY FineReader PDF puede crear PDFs a partir de más de 25 formatos de archivo diferentes, directamente desde documentos en papel o imprimiendo en una impresora PDF desde prácticamente cualquier aplicación. PDF/A-1 a PDF/A-3 son compatibles para archivo a largo plazo, y PDF/UA asegura que el contenido sea accesible cuando se usa software de asistencia como lectores de pantalla. También empodera a los profesionales para maximizar la eficiencia en el entorno de trabajo digital.

Cree y actualice sus propios formularios PDF interactivos usando ABBYY FineReader para recopilar información con éxito y estandarizar documentos. Cree formularios combinando campos interactivos de varios tipos, estableciendo acciones, editando formularios PDF existentes o agregando elementos de formulario a un PDF convencional.

ABBYY FineReader puede convertir documentos en papel, escaneos y PDFs escaneados al instante en PDFs buscables, lo que le permite recuperar documentos de archivos digitales y acceder a la información que contienen. FineReader PDF admite todos los niveles de cumplimiento y variantes del formato PDF/A, el estándar de la industria para archivo a largo plazo, desde PDF/A-1 hasta PDF/A-3.

La última tecnología de OCR basada en AI de ABBYY, FineReader PDF, facilita la digitalización, recuperación, edición, protección, compartición y colaboración en todo tipo de documentos en el mismo flujo de trabajo. FineReader también incluye comparación de documentos, lo que nos ayuda a comparar documentos originales, así como PDFs convertidos y archivos de imagen.

1.2 IronOCR: Introducción y características

IronOCR proporciona software para ingenieros que usan IronOCR para .NET para leer contenido de texto de fotos y PDFs en apps y sitios web .NET. Escanea fotos en busca de texto y códigos de barras, y admite numerosos idiomas internacionales; luego puede proporcionar la salida como texto plano o como datos estructurados. La biblioteca OCR de Iron Software se puede usar en aplicaciones .NET MVC, web, de consola y de escritorio. Para implementaciones comerciales, se proporciona licencia con asistencia directa del equipo de desarrollo.

• Usando el último motor Tesseract 5, IronOCR lee texto, códigos de barras y códigos QR de cualquier formato de imagen o PDF. Esta biblioteca agrega rápidamente OCR a aplicaciones de escritorio, consola y web.
• IronOCR admite 125 idiomas internacionales. También admite listas de palabras y lenguajes personalizados.
• IronOCR puede leer más de 20 formatos de código de barras y códigos QR.
• IronOCR es compatible con formatos de imagen gifs y tiff multipágina.
• IronOCR proporciona corrección para imágenes escaneadas de baja calidad.
• IronOCR admite multiprocesamiento: ejecuta uno o más procesos a la vez.
• IronOCR puede proporcionar salida de datos estructurados para páginas, párrafos, líneas, palabras, caracteres, etc.
• IronOCR es compatible con una variedad de sistemas operativos como Windows, Linux, macOS, etc.

3.1 Instalar ABBYY FineReader PDF

Podemos descargar el ABBYY FineReader aquí.

La imagen anterior muestra que hay dos versiones, Individual y Business, que puede descargar según sus requisitos. Seleccione la opción "descarga de prueba gratuita". Lo redirigirá a un formulario como en la imagen a continuación:

Necesitaremos completar el formulario para obtener la ubicación del archivo EXE. Haga clic en la opción de descarga para descargar el archivo.

Una vez que se complete la descarga del archivo, podemos hacer doble clic en el archivo EXE para iniciar la instalación. Una vez completado, mostrará un mensaje emergente y ahora está listo para usar.

3.2 Instalar IronOCR

La Biblioteca IronOCR se puede descargar e instalar de cuatro maneras.

Estas son:

• Usando Visual Studio
• Usando la Línea de Comandos de Visual Studio
• Descarga directa desde el sitio web de NuGet
• Descarga directa desde el sitio web de IronPDF

3.2.1 Uso de Visual Studio

El software Visual Studio proporciona la opción de Gestor de Paquetes NuGet para instalar el paquete directamente en la solución. La captura de pantalla a continuación muestra cómo abrir el Administrador de Paquetes NuGet.

Proporciona un cuadro de búsqueda para mostrar la lista de paquetes desde el sitio web de NuGet. En el gestor de paquetes, necesitamos buscar la palabra clave IronOCR, como en la captura de pantalla a continuación:

De la imagen anterior, obtendremos la lista de ítems relacionados con la búsqueda. Necesitamos seleccionar la opción requerida para instalar el paquete en la solución.

3.2.2 Uso de la línea de comandos de Visual Studio

En Visual Studio, ve a Herramientas -> Gestor de Paquetes NuGet -> Consola del Gestor de Paquetes

Introduce la siguiente línea en la pestaña Consola del Administrador de Paquetes:

Install-Package IronOcr

Este comando descargará e instalará el paquete en el proyecto actual, y estará listo para usar.

3.2.3 Descarga directa desde el sitio web de NuGet

La tercera forma es descargar el paquete NuGet directamente desde el sitio web.

• Navigate to the Link.
• Seleccione la opción de descargar paquete desde el menú a la derecha.
• Haga doble clic en el paquete descargado. Se instalará automáticamente.
• A continuación, recarga la solución y empieza a usarla en el proyecto.

3.2.4 Descarga directa desde el sitio web de IronOCR

Click the link here to download the latest package direct from the website. Once downloaded, follow the steps below to add the package to the project.

• Haga clic derecho en el proyecto desde la ventana de la solución.
• Luego, seleccione la opción "Agregar Referencia" y busque la ubicación de la referencia descargada.
• Haz clic en Aceptar para agregar la referencia.

4.1 Uso de ABBYY FineReader PDF

A continuación, abra la aplicación ABBYY FineReader PDF que se abrirá con múltiples opciones, como en la imagen a continuación.

Luego, seleccione la opción "Abrir" de las opciones del Editor OCR. Esto mostrará una opción para seleccionar archivos de imagen:

Después de seleccionar un archivo, automáticamente comenzará a escanear la imagen en texto editable y luego mostrará el resultado en la ventana como en la captura de pantalla a continuación:

La imagen anterior muestra la imagen de origen convertida en texto editable. Sin embargo, el resultado no es muy preciso. Algunos de los números no son reconocidos por la aplicación ABBYY FineReader PDF. Esto se muestra claramente en las ventanas de comparación — en el lado izquierdo está la imagen de origen, y en el lado derecho está el texto convertido por el OCR.

4.2 Uso de IronOCR

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Configure OCR language and Tesseract version
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create a new OcrInput object to manage input images
using (var Input = new OcrInput())
{
    // Add an image to the input for processing
    Input.AddImage(@"3.png");

    // Perform OCR to read text from the image
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);
    Console.ReadKey();
}

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Configure OCR language and Tesseract version
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create a new OcrInput object to manage input images
using (var Input = new OcrInput())
{
    // Add an image to the input for processing
    Input.AddImage(@"3.png");

    // Perform OCR to read text from the image
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);
    Console.ReadKey();
}

' Create an instance of IronTesseract for OCR operations
Dim Ocr = New IronTesseract()

' Configure OCR language and Tesseract version
Ocr.Language = OcrLanguage.EnglishBest
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5

' Create a new OcrInput object to manage input images
Using Input = New OcrInput()
	' Add an image to the input for processing
	Input.AddImage("3.png")

	' Perform OCR to read text from the image
	Dim Result = Ocr.Read(Input)

	' Output the extracted text to the console
	Console.WriteLine(Result.Text)
	Console.ReadKey()
End Using

La API Tesseract 5, que nos permite convertir archivos de imagen en texto, se demuestra arriba. Estamos creando una instancia de IronTesseract en el fragmento de código anterior. También estamos usando un objeto OcrInput que nos permitirá agregar una o más archivos de imagen. Debemos proporcionar la ruta de la imagen disponible dentro del código al utilizar el método AddImage del objeto OcrInput. Se pueden agregar cualquier número de imágenes. La función Read en el objeto IronTesseract que construimos anteriormente puede ser utilizada para realizar OCR al analizar el archivo de imagen y extraer el resultado en el resultado de OCR. Es capaz de extraer texto de imágenes y convertirlo en una cadena.

También podemos usar Tesseract para agregar imágenes multi-frame. AddMultiFrameTiff es un método diferente para esta operación. La biblioteca Tesseract lee cada cuadro de la imagen, y cada cuadro se trata como una página distinta. El proceso leerá el primer cuadro de la imagen y luego procederá al siguiente cuadro, y así sucesivamente, hasta que todos los cuadros de la imagen hayan sido escaneados. Solo el formato de imagen tiff es compatible con este método.

La imagen anterior es el resultado de la IronOCR, que es precisa y muestra los datos correctamente convertidos en texto editable.

5.1 Uso de ABBYY FineReader PDF

Abra el software ABBYY FineReader PDF. Esto abrirá una página como la imagen a continuación, ofreciendo múltiples opciones.

Luego, seleccione la opción "Abrir" de las opciones del Editor OCR. Esto mostrará una opción para seleccionar la imagen/PDF. Podemos seleccionar un PDF o una imagen, o podemos seleccionar ambos archivos.

Después de seleccionar el archivo, haga clic en el botón OK. Automáticamente comenzará a escanear la imagen en texto editable y mostrará el resultado en una ventana como la captura de pantalla a continuación.

La imagen anterior muestra el PDF de origen convertido en texto editable. Sin embargo, el resultado no es completamente preciso. Algunos de los números no son reconocidos por la aplicación ABBYY FineReader PDF. Esto se muestra claramente en las ventanas de comparación — en el lado izquierdo está el PDF de origen, y en el lado derecho está el texto convertido por el OCR.

5.2 Uso de IronOCR

También podemos usar OCRInput para gestionar archivos PDF. Cada página de los documentos será leída por la clase Iron Tesseract. El texto luego será extraído de las páginas. También podemos abrir documentos protegidos usando una segunda función llamada AddPdf, que nos permite agregar PDFs a nuestra lista de documentos (contraseña si está protegido). El siguiente código demuestra cómo abrir un documento PDF protegido con contraseña:

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Create OcrInput to manage input PDFs
using (var Input = new OcrInput())
{
    // Add a password-protected PDF to the input
    Input.AddPdf("example.pdf", "password");

    // Perform OCR to read text from the PDF
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);
}

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Create OcrInput to manage input PDFs
using (var Input = new OcrInput())
{
    // Add a password-protected PDF to the input
    Input.AddPdf("example.pdf", "password");

    // Perform OCR to read text from the PDF
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);
}

' Create an instance of IronTesseract for OCR operations
Dim Ocr = New IronTesseract()

' Create OcrInput to manage input PDFs
Using Input = New OcrInput()
	' Add a password-protected PDF to the input
	Input.AddPdf("example.pdf", "password")

	' Perform OCR to read text from the PDF
	Dim Result = Ocr.Read(Input)

	' Output the extracted text to the console
	Console.WriteLine(Result.Text)
End Using

Los siguientes métodos también son proporcionados por Iron Tesseract:

• AddPdfPage
• AddPdfPages

Podemos leer y extraer contenido de una sola página en un documento PDF usando AddPdfPage. Solo necesitamos especificar el número de página del que queremos extraer texto. AddPdfPages nos permite extraer texto de múltiples páginas que especifiquemos. En IEnumerable<int>, simplemente necesitamos especificar el número de páginas. También debemos incluir la ubicación del archivo así como la extensión del archivo. Esto se demuestra en el siguiente ejemplo de código:

// Define numbers representing pages to extract from the PDF
IEnumerable<int> numbers = new List<int> { 2, 8, 10 };

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Create OcrInput to manage input PDFs
using (var Input = new OcrInput())
{
    // Add a specific page from PDF for OCR
    // Input.AddPdfPage("example.pdf", 10);

    // Add multiple specific pages from PDF for OCR
    // Input.AddPdfPages("example.pdf", numbers);

    // Perform OCR to read text from the specified pages
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);

    // Save the extracted text to a file
    Result.SaveAsTextFile("ocrtext.txt");
}

// Define numbers representing pages to extract from the PDF
IEnumerable<int> numbers = new List<int> { 2, 8, 10 };

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Create OcrInput to manage input PDFs
using (var Input = new OcrInput())
{
    // Add a specific page from PDF for OCR
    // Input.AddPdfPage("example.pdf", 10);

    // Add multiple specific pages from PDF for OCR
    // Input.AddPdfPages("example.pdf", numbers);

    // Perform OCR to read text from the specified pages
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);

    // Save the extracted text to a file
    Result.SaveAsTextFile("ocrtext.txt");
}

' Define numbers representing pages to extract from the PDF
Dim numbers As IEnumerable(Of Integer) = New List(Of Integer) From {2, 8, 10}

' Create an instance of IronTesseract for OCR operations
Dim Ocr = New IronTesseract()

' Create OcrInput to manage input PDFs
Using Input = New OcrInput()
	' Add a specific page from PDF for OCR
	' Input.AddPdfPage("example.pdf", 10);

	' Add multiple specific pages from PDF for OCR
	' Input.AddPdfPages("example.pdf", numbers);

	' Perform OCR to read text from the specified pages
	Dim Result = Ocr.Read(Input)

	' Output the extracted text to the console
	Console.WriteLine(Result.Text)

	' Save the extracted text to a file
	Result.SaveAsTextFile("ocrtext.txt")
End Using

Utilizando la función SaveAsTextFile, podemos almacenar el resultado como archivo de texto, permitiéndonos descargar el archivo a la ruta del directorio de salida. Además, podemos guardar el archivo como un archivo HTML usando SaveAsHocrFile.

6.1 Uso de ABBYY FineReader PDF

FineReader tiene algunas opciones adicionales como: Área de Texto Dibujado, Área de Imagen Dibujada, Área de Tabla Dibujada, Área de Reconocimiento Dibujada, etc. Estas ayudan al usuario a mejorar el rendimiento del OCR. Además, además de realizar OCR, la aplicación también permite a los usuarios completar operaciones como combinar PDFs, dividir PDFs, editar PDFs, etc.

6.2 Uso de IronOCR

IronOCR tiene características únicas que nos permiten leer códigos de barras y códigos QR de documentos escaneados. El siguiente código muestra cómo podemos leer códigos de barras de una imagen o documento dado.

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Configure OCR language and barcode reading
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.ReadBarCodes = true;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create OcrInput to manage input images
using (var Input = new OcrInput())
{
    // Add an image containing barcodes
    Input.AddImage("barcode.gif");

    // Perform OCR to read text and barcodes from the image
    var Result = Ocr.Read(Input);

    // Iterate through detected barcodes and output their values
    foreach (var Barcode in Result.Barcodes)
    {
        Console.WriteLine(Barcode.Value);
    }
}

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Configure OCR language and barcode reading
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.ReadBarCodes = true;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

// Create OcrInput to manage input images
using (var Input = new OcrInput())
{
    // Add an image containing barcodes
    Input.AddImage("barcode.gif");

    // Perform OCR to read text and barcodes from the image
    var Result = Ocr.Read(Input);

    // Iterate through detected barcodes and output their values
    foreach (var Barcode in Result.Barcodes)
    {
        Console.WriteLine(Barcode.Value);
    }
}

' Create an instance of IronTesseract for OCR operations
Dim Ocr = New IronTesseract()

' Configure OCR language and barcode reading
Ocr.Language = OcrLanguage.EnglishBest
Ocr.Configuration.ReadBarCodes = True
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5

' Create OcrInput to manage input images
Using Input = New OcrInput()
	' Add an image containing barcodes
	Input.AddImage("barcode.gif")

	' Perform OCR to read text and barcodes from the image
	Dim Result = Ocr.Read(Input)

	' Iterate through detected barcodes and output their values
	For Each Barcode In Result.Barcodes
		Console.WriteLine(Barcode.Value)
	Next Barcode
End Using

El código anterior ayuda a leer códigos de barras de una imagen o documento PDF dado. Es capaz de leer más de un código de barras de una página/imagen. Para leer el código de barras, IronOCR tiene una configuración única Ocr.Configuration.ReadBarCodes que ayuda a leer el código de barras; el valor predeterminado se establece en falso.

Después de leer la entrada, los datos se guardarán en el objeto llamado OCRResult; esto tiene una propiedad llamada Códigos de Barras que ensambla todos los datos de código de barras disponibles en una lista. Usando el bucle foreach, podemos obtener todos los detalles de los códigos de barras uno por uno. Además, escaneará el código de barras y leerá el valor del código de barras — ¡dos operaciones completadas en un solo proceso!

Además, también se admiten opciones de threading, lo que significa que podemos realizar múltiples procesos OCR al mismo tiempo. IronOCR también es capaz de reconocer un área específica de una región especificada.

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Create OcrInput to manage input images
using (var Input = new OcrInput())
{
    // Define a specific rectangular area on the image for OCR
    var ContentArea = new System.Drawing.Rectangle() { X = 215, Y = 1250, Height = 280, Width = 1335 };

    // Add an image specifying the area to be processed
    Input.Add("document.png", ContentArea);

    // Perform OCR to read text from the specified area
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);
}

// Create an instance of IronTesseract for OCR operations
var Ocr = new IronTesseract();

// Create OcrInput to manage input images
using (var Input = new OcrInput())
{
    // Define a specific rectangular area on the image for OCR
    var ContentArea = new System.Drawing.Rectangle() { X = 215, Y = 1250, Height = 280, Width = 1335 };

    // Add an image specifying the area to be processed
    Input.Add("document.png", ContentArea);

    // Perform OCR to read text from the specified area
    var Result = Ocr.Read(Input);

    // Output the extracted text to the console
    Console.WriteLine(Result.Text);
}

' Create an instance of IronTesseract for OCR operations
Dim Ocr = New IronTesseract()

' Create OcrInput to manage input images
Using Input = New OcrInput()
	' Define a specific rectangular area on the image for OCR
	Dim ContentArea = New System.Drawing.Rectangle() With {
		.X = 215,
		.Y = 1250,
		.Height = 280,
		.Width = 1335
	}

	' Add an image specifying the area to be processed
	Input.Add("document.png", ContentArea)

	' Perform OCR to read text from the specified area
	Dim Result = Ocr.Read(Input)

	' Output the extracted text to the console
	Console.WriteLine(Result.Text)
End Using

El anterior es un código de ejemplo para realizar OCR en una región específica. Solo necesitamos especificar la región rectangular en la imagen o PDF — el motor Tesseract en IronOCR permite el reconocimiento del texto.