Comparación entre IronOCR y AWS Textract OCR

¿Qué es OCR?

El procedimiento utilizado para transformar una imagen de texto en un formato de texto legible por máquina se conoce como Reconocimiento Óptico de Caracteres (OCR). Por ejemplo, si escanea un formulario, una factura o un recibo, su computadora guarda el escaneo como un archivo de imagen. Los datos en el archivo de imagen no pueden ser editados, buscados o contados utilizando un editor de texto. Sin embargo, puedes utilizar soluciones de OCR para convertir el archivo de imagen en un documento de texto con sus contenidos almacenados como datos de texto.

En esta era moderna, la mayoría de los flujos de trabajo empresariales implican recibir información de medios impresos. Diferentes documentos como formularios en papel, facturas, documentos legales escaneados, extracción de tablas y texto impreso o contratos son todos parte de los procesos empresariales. Además, digitalizar este contenido documental crea imágenes con el texto oculto dentro de ellas. El texto en las imágenes no puede ser procesado por herramientas de procesamiento de texto de la misma manera que los documentos de texto. La tecnología OCR resuelve el problema convirtiendo imágenes de texto en datos de texto que pueden ser analizados por otro software empresarial.

¿Cómo funciona OCR?

El motor OCR funciona mediante los siguientes pasos:

1. Creación del Proyecto en Visual Studio

Este tutorial utilizará la versión de Visual Studio 2022, por lo que supongo que ya debe tenerlo instalado.

• Abre Visual Studio 2022.
• Genere un nuevo proyecto .NET Core y luego seleccione Aplicación de consola.

Aplicación de consola

• Asigna un nombre al proyecto. Por ejemplo, TextReader.
• La versión más reciente y estable del .NET Framework es 6.0. Vamos a utilizar esta.

• Haga clic en el botón Crear y el proyecto se creará.

A continuación, instalaremos las bibliotecas para nuestro uso una por una.

2. Instalación de IronOCR

La biblioteca IronOCR se puede descargar e instalar de cuatro maneras. Estos son los siguientes:

1. Usando el Administrador de Paquetes NuGet de Visual Studio.
2. Descarga directa a través del sitio web de NuGet.
3. Descarga directa a través de la página web de IronOCR.
4. Uso de la línea de comandos en Visual Studio.

2.1. Uso del Administrador de NuGet en Visual Studio

El Administrador de Paquetes NuGet de Visual Studio se puede utilizar para incorporar IronOCR en un proyecto de C#.

1. Expanda Herramientas o haga clic derecho en el explorador de soluciones.
2. Extiende el Administrador de Paquetes NuGet.
3. Haga clic en Administrar paquetes NuGet para soluciones o haga clic en Administrar paquetes NuGet en el explorador de soluciones.

Administrar paquetes NuGet

Después de esto, aparecerá una nueva ventana en la barra de búsqueda: escriba IronOCR. Marque la casilla del proyecto en el lado derecho y haga clic en Instalar.

Explorar IronOCR

Al usar este método, los desarrolladores pueden instalar la biblioteca IronOCR y cualquier paquete de idioma de su elección.

2.4. Uso de la línea de comandos en Visual Studio

1. En Visual Studio, vaya a Herramientas -> Administrador de paquetes NuGet -> Consola del administrador de paquetes.
2. Introduzca la siguiente línea en la pestaña de la consola del administrador de paquetes:

Install-Package IronOcr

El paquete ahora se descargará/instalará en el proyecto actual y está listo para usar.

Aplicación de consola

Aplicación de consola

Después de escribir el comando, presione enter y se instalará.

using IronOcr;

using IronOcr;

Imports IronOcr

3. Installing AWS Textract OCR

Antes de usar Amazon Textract por primera vez, complete las siguientes tareas:

1. Regístrate para los servicios de AWS.
2. Crear un usuario IAM.

Una vez que te hayas registrado exitosamente para la cuenta y creado el usuario IAM, ahora puedes establecer las claves de acceso en la consola de AWS para acceder a la API programáticamente usando C#. Necesitarás:

AccessKeyId SecretAccessKey

• RegionEndPoint (Tu área de acceso) - En este caso ejemplo: AFSouth1

3.1. Using Administrador de paquetes NuGet

• Puede descargar e instalar AWS Textract SDK desde Administrador de paquetes NuGet.

Administrador de paquetes NuGet

• Haz clic en Browse y busca AWS Textract:

AWS Textract

using Amazon.Textract;
using Amazon.Textract.Model;

using Amazon.Textract;
using Amazon.Textract.Model;

Imports Amazon.Textract
Imports Amazon.Textract.Model

4. Archivo PDF a Texto

Ambas bibliotecas pueden extraer texto de archivos PDF. Veamos el código uno por uno.

4.1. Usando IronOCR

IronOCR permite reconocer y leer texto de formatos de documentos PDF utilizando el avanzado Tesseract. El siguiente código simple se utiliza para extraer información:

var Ocr = new IronTesseract();
using (var input = new OcrInput())
{
    input.AddPdf("example.pdf", "password");
    // We can also select specific PDF page numbers to OCR
    var Result = Ocr.Read(input);
    Console.WriteLine(Result.Text);
    Console.WriteLine($"{Result.Pages.Count()} Pages");
    // Read every page of the PDF
}

var Ocr = new IronTesseract();
using (var input = new OcrInput())
{
    input.AddPdf("example.pdf", "password");
    // We can also select specific PDF page numbers to OCR
    var Result = Ocr.Read(input);
    Console.WriteLine(Result.Text);
    Console.WriteLine($"{Result.Pages.Count()} Pages");
    // Read every page of the PDF
}

Dim Ocr = New IronTesseract()
Using input = New OcrInput()
	input.AddPdf("example.pdf", "password")
	' We can also select specific PDF page numbers to OCR
	Dim Result = Ocr.Read(input)
	Console.WriteLine(Result.Text)
	Console.WriteLine($"{Result.Pages.Count()} Pages")
	' Read every page of the PDF
End Using

$vbLabelText   $csharpLabel

El código es simple, limpio y muy fácil de entender y usar.

Archivo PDF de entrada

Ejemplo de PDF

Salida

Output de IronOCR

4.2. AWS Textract

Amazon Textract facilita agregar detección y análisis de texto de documentos a sus aplicaciones. El siguiente código se utiliza para leer el PDF y se pasa el mismo PDF:

public static async void ReturnResult()
{
    AmazonTextractClient client = new AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1);
    var request = new StartDocumentTextDetectionRequest();
    request.DocumentLocation = new DocumentLocation
    {
        S3Object = new S3Object
        {
            Bucket = "your_bucket_name",
            Name = "your_bucket_key"
        }
    };
    var id = await client.StartDocumentTextDetectionAsync(request);
    var jobId = id.JobId;
    var response = client.GetDocumentTextDetectionAsync(new GetDocumentTextDetectionRequest{
        JobId = jobId
    });
    response.Wait();
    if (response.Result.JobStatus.Equals("SUCCEEDED"))
    {
        foreach (var block in response.Result.Blocks)
        {
            if (block.BlockType == "WORD" || block.BlockType == "PAGE" || block.BlockType == "LINE")
            {
                Console.WriteLine(block.Text);
            }
        }
    }
}

static void Main(String[] args)
{
    ReturnResult();
}

public static async void ReturnResult()
{
    AmazonTextractClient client = new AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1);
    var request = new StartDocumentTextDetectionRequest();
    request.DocumentLocation = new DocumentLocation
    {
        S3Object = new S3Object
        {
            Bucket = "your_bucket_name",
            Name = "your_bucket_key"
        }
    };
    var id = await client.StartDocumentTextDetectionAsync(request);
    var jobId = id.JobId;
    var response = client.GetDocumentTextDetectionAsync(new GetDocumentTextDetectionRequest{
        JobId = jobId
    });
    response.Wait();
    if (response.Result.JobStatus.Equals("SUCCEEDED"))
    {
        foreach (var block in response.Result.Blocks)
        {
            if (block.BlockType == "WORD" || block.BlockType == "PAGE" || block.BlockType == "LINE")
            {
                Console.WriteLine(block.Text);
            }
        }
    }
}

static void Main(String[] args)
{
    ReturnResult();
}

Public Shared Async Sub ReturnResult()
	Dim client As New AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1)
	Dim request = New StartDocumentTextDetectionRequest()
	request.DocumentLocation = New DocumentLocation With {
		.S3Object = New S3Object With {
			.Bucket = "your_bucket_name",
			.Name = "your_bucket_key"
		}
	}
	Dim id = Await client.StartDocumentTextDetectionAsync(request)
	Dim jobId = id.JobId
	Dim response = client.GetDocumentTextDetectionAsync(New GetDocumentTextDetectionRequest With {.JobId = jobId})
	response.Wait()
	If response.Result.JobStatus.Equals("SUCCEEDED") Then
		For Each block In response.Result.Blocks
			If block.BlockType = "WORD" OrElse block.BlockType = "PAGE" OrElse block.BlockType = "LINE" Then
				Console.WriteLine(block.Text)
			End If
		Next block
	End If
End Sub

Shared Sub Main(ByVal args() As String)
	ReturnResult()
End Sub

$vbLabelText   $csharpLabel

El código es un poco complicado, extenso y requiere atención al pasar y recuperar objetos. Primero, tenemos que crear un objeto AmazonTextractClient con 3 parámetros: AccessKeyId, SecretAccessKey, y Region. Luego tenemos que iniciar una solicitud usando el método StartDocumentTextDetectionRequest(). El objeto de solicitud luego establece el DocumentLocation utilizando el nombre del bucket y la clave. Esta solicitud se pasa al método StartDocumentTextDetectionAsync(). Como es un método asincrónico, tenemos que usar la palabra clave await y hacer que la función ReturnResult sea asincrónica. Al tener éxito, el resultado se devuelve y jobId se guarda. El jobId se pasa al método GetDocumentTextDetectionAsync() y espera la respuesta SUCCEEDED. foreach loop se utiliza para recorrer cada bloque y verificar si es "WORD", "PAGE" o "LINE", luego imprimir el reconocimiento de texto. Por último, llama a este método en el método Main para el procesamiento de documentos.

Salida

La salida es bastante similar a IronOCR.

Salida de AWS Textract

5. Imágenes a Texto

Leer datos de imágenes es complicado, ya que la calidad de la imagen desempeña un papel vital al extraer información. Ambas bibliotecas proporcionan la facilidad para extraer texto. Aquí usaremos archivos png.

5.1. Uso de IronOCR

El código es casi similar al anterior. Aquí, el método AddPDF se reemplaza con el método AddImage.

var Ocr = new IronTesseract();
using (var Input = new OcrInput())
{
    Input.AddImage("test-files/redacted-employmentapp.png");
    //... you can add any number of images
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

var Ocr = new IronTesseract();
using (var Input = new OcrInput())
{
    Input.AddImage("test-files/redacted-employmentapp.png");
    //... you can add any number of images
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

Dim Ocr = New IronTesseract()
Using Input = New OcrInput()
	Input.AddImage("test-files/redacted-employmentapp.png")
	'... you can add any number of images
	Dim Result = Ocr.Read(Input)
	Console.WriteLine(Result.Text)
End Using

$vbLabelText   $csharpLabel

Imagen de entrada

Datos de empleados redactados

Salida

La salida es limpia y coincide con la imagen original con solo unas pocas líneas de código, sin tecnicismos y con un resultado perfecto.

Salida de imagen

public static async void ReturnResult()
{
    AmazonTextractClient client = new AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1);
    var request = new DetectDocumentTextRequest();
    request.Document = new Document
    {
        Bytes = new MemoryStream(File.ReadAllBytes(@"test-files/redacted-employmentapp.png"))
    };    
    var result = await client.DetectDocumentTextAsync(request);
    foreach (var block in result.Blocks)
    {
        if (block.BlockType == "WORD")
        {
            Console.WriteLine(block.Text);
        }
    }
}

static void Main(String[] args)
{
    ReturnResult();
}

public static async void ReturnResult()
{
    AmazonTextractClient client = new AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1);
    var request = new DetectDocumentTextRequest();
    request.Document = new Document
    {
        Bytes = new MemoryStream(File.ReadAllBytes(@"test-files/redacted-employmentapp.png"))
    };    
    var result = await client.DetectDocumentTextAsync(request);
    foreach (var block in result.Blocks)
    {
        if (block.BlockType == "WORD")
        {
            Console.WriteLine(block.Text);
        }
    }
}

static void Main(String[] args)
{
    ReturnResult();
}

Public Shared Async Sub ReturnResult()
	Dim client As New AmazonTextractClient("your_access_key_id", "your_secret_access_key", Amazon.RegionEndpoint.AFSouth1)
	Dim request = New DetectDocumentTextRequest()
	request.Document = New Document With {.Bytes = New MemoryStream(File.ReadAllBytes("test-files/redacted-employmentapp.png"))}
	Dim result = Await client.DetectDocumentTextAsync(request)
	For Each block In result.Blocks
		If block.BlockType = "WORD" Then
			Console.WriteLine(block.Text)
		End If
	Next block
End Sub

Shared Sub Main(ByVal args() As String)
	ReturnResult()
End Sub

6. Código de barras y código QR a Texto

Una característica única de IronOCR es que puede leer códigos de barras y códigos QR de documentos mientras escanea texto. Las instancias de la clase OcrResult.OcrBarcode proporcionan al desarrollador información detallada sobre cada código de barras escaneado. AWS Textract no proporciona esta funcionalidad.

El código para IronOCR se muestra a continuación:

var Ocr = new IronTesseract();
Ocr.Configuration.ReadBarCodes = true;
using (var input = new OcrInput())
{
    input.AddImage("test-files/Barcode.png");
    var Result = Ocr.Read(input);
    foreach (var Barcode in Result.Barcodes)
    {
        Console.WriteLine(Barcode.Value);
        // type and location properties also exposed
    }
}

var Ocr = new IronTesseract();
Ocr.Configuration.ReadBarCodes = true;
using (var input = new OcrInput())
{
    input.AddImage("test-files/Barcode.png");
    var Result = Ocr.Read(input);
    foreach (var Barcode in Result.Barcodes)
    {
        Console.WriteLine(Barcode.Value);
        // type and location properties also exposed
    }
}

Dim Ocr = New IronTesseract()
Ocr.Configuration.ReadBarCodes = True
Using input = New OcrInput()
	input.AddImage("test-files/Barcode.png")
	Dim Result = Ocr.Read(input)
	For Each Barcode In Result.Barcodes
		Console.WriteLine(Barcode.Value)
		' type and location properties also exposed
	Next Barcode
End Using

El código es autoexplicativo y fácil de entender.

7. Licencias

IronOCR es una biblioteca que ofrece una licencia para desarrolladores de forma gratuita. Tiene también una estructura de precios distinta; el paquete Lite comienza en $999 sin tarifas ocultas. La redistribución de productos SaaS y OEM también es posible. Todas las licencias incluyen una garantía de devolución de dinero de 30 días, un año de soporte y actualizaciones de software, validez para desarrollo, pruebas y producción, y una licencia perpetua (compra única). Para ver toda la estructura de precios y detalles de licencia de IronOCR, vaya aquí.

Plan de precios de IronOCR

Puedes obtener el servicio de redistribución de productos SaaS y OEM libre de regalías por una sola compra $1,599.

Servicio SAAS

API de AWS Textract ofrece a los desarrolladores un servicio de nivel gratuito de AWS. Puede comenzar con Amazon Textract de forma gratuita. El nivel gratuito dura tres meses y los precios se muestran a continuación.

Lista de precios

Puedes consultar los detalles de precios desde este enlace. Además, también puede ajustar los precios según sus necesidades utilizando el calculador de precios.

8. Conclusión

IronOCR ofrece a los desarrolladores de C# la API de Tesseract más avanzada que conocemos, en cualquier plataforma. IronOCR puede ser implementado en Windows, Linux, Mac, Azure, AWS, Lambda y es compatible con proyectos .NET Framework así como .NET Standard y .NET Core. También podemos leer códigos de barras en escaneos OCR, e incluso exportar nuestro OCR como HTML y PDFs buscables.

Amazon Textract facilita agregar detección y análisis de texto de documentos a sus aplicaciones. Amazon Textract se basa en la tecnología de aprendizaje profundo, probada y altamente escalable, desarrollada por los científicos de visión por computadora de Amazon para analizar miles de millones de imágenes y videos diariamente. No necesitas experiencia en aprendizaje automático para utilizarlo. Amazon Textract incluye APIs simples y fáciles de usar que pueden analizar archivos de imagen y archivos PDF. Amazon Textract siempre está aprendiendo de nuevos datos, y Amazon está continuamente agregando nuevas características al servicio.

Las licencias de IronOCR están basadas en desarrolladores, lo que significa que siempre debes adquirir una licencia en función del número de desarrolladores que utilizarán el producto. Las licencias de AWS Textract se basan en el número de páginas del documento para extraer información y analizar los datos. Las licencias son mensuales y los precios se vuelven muy altos para un gran número de páginas en comparación con la licencia de IronOCR. Además, la licencia de IronOCR es una compra única y se puede usar de por vida, y admite distribución OME y SaaS.

En comparación general, tanto IronOCR como AWS OCR tienen capacidades de aprendizaje automático para detectar texto de un documento o imagen. IronOCR tiene una ligera ventaja sobre AWS OCR, ya que es rápido y ahorra tiempo. El código es simple y directo al detectar texto de documentos. La tarea se realiza en unos pocos métodos. Por otro lado, AWS Textract utiliza muchos métodos para lograr la misma tarea. Esto incrementa la respuesta del servidor y, a veces, consume mucho tiempo. Podemos ver que si ingresamos incluso un documento imperfecto a IronOCR, puede leer su contenido con una precisión estadística de aproximadamente el 99%, incluso si el documento estaba mal formateado, inclinado y presentaba ruido digital. IronOCR funciona de inmediato sin necesidad de ajustar el rendimiento o modificar intensamente las imágenes de entrada. La velocidad es increíble: IronOCR.2020+ es hasta 10 veces más rápido y comete más de un 250% menos errores que las versiones anteriores.

Además, Iron Software está ofreciendo actualmente un paquete de cinco herramientas al precio de solo dos. Las herramientas incluidas en el Iron Suite son:

• IronBarcode IronXL
• IronOCR IronPDF IronWebScraper

Por favor, visita este enlace para explorar el Iron Suite.