Alternativas a Tesseract (actualización de 2022)

Introducción

Tesseract fue creado inicialmente entre 1985 y 1994 por HP Laboratories Bristol y HP Co. en Greeley, Colorado. En 1996 se introdujeron más mejoras para trasladarlo a Windows, y en 1998 se reescribió en C++. HP convirtió Tesseract en código abierto en 2005. Google lleva trabajando con él desde 2006.

Tesseract OCR es una herramienta que pertenece a la categoría de API de análisis de imágenes de la pila tecnológica de Google. Puede eliminar automáticamente los fondos desordenados y generar archivos PDF comparables a los producidos con escáneres. Tesseract utiliza una tecnología de reconocimiento óptico de caracteres de gran precisión que puede convertir documentos en papel escaneados en archivos digitales que permiten realizar búsquedas. Puede extraer texto y caracteres de fotos tomadas con la cámara, imágenes digitales y documentos PDF escaneados de varias páginas. Además, los PDF que contienen texto mecanografiado o impreso pueden convertirse en texto codificado por ordenador.

Existen otros programas de OCR (tanto de código abierto como propietario, basados en servicios web) que pueden extraer texto de archivos de imagen y PDF. En este artículo examinaremos algunas herramientas de OCR alternativas a Tesseract OCR.

ABBYY FineReader PDF

Desarrollado por ABBYY, ABBYY FineReader PDF es un software de reconocimiento óptico de caracteres que convierte documentos de imagen (como fotografías, escaneados y 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 con capacidad de búsqueda, CSV y texto. (texto sin formato).

ABBYY FineReader PDF puede producir archivos PDF directamente a partir de documentos en papel, a partir de más de 25 tipos de archivos diferentes, o mediante la publicación en una impresora PDF desde casi cualquier programa. El archivado a largo plazo está habilitado para PDF/A-1 a PDF/A-3, y PDF/UA garantiza que el contenido sea accesible cuando se utiliza tecnología de asistencia, como lectores de pantalla.

Además, ABBYY FineReader PDF permite a los expertos rendir al máximo en el lugar de trabajo digital. ABBYY FineReader integra papeles escaneados en flujos de trabajo digitales, ahorrando tiempo y esfuerzo a la hora de gestionar y completar documentos. No necesitas convertir tu PDF para editar el texto, las tablas o todo el diseño. Independientemente de cómo se haya producido el documento, ya sea digitalmente o directamente a partir de una copia impresa, este software puede procesar cualquier documento de forma fácil y metódica. El programa también puede crear archivos PDF editables.

Existe una versión de escritorio de ABBYY FineReader para Windows, Linux y macOS.

AWS OCR

Como aprendizaje automático (ML) servicio web, Amazon Textract extrae texto, escritura a mano, tablas y otros datos de cualquier documento escaneado. Utiliza el aprendizaje profundo para extraer de forma precisa y automática el contenido de documentos escaneados, como PDF, fotos, tablas y formularios. Después, Amazon Textract envía la información a un formato de archivo editable y organizado.

Imaginemos que una empresa necesita transferir la información pertinente de las copias impresas de las facturas de muchas empresas a hojas de cálculo Excel. Es habitual recurrir a personal de entrada de datos para realizar esta tarea manualmente, pero a menudo resulta desorganizado, lento y propenso a errores. Además, otras empresas que utilizan algunas soluciones de software de OCR suelen pasar horas configurando sus herramientas para extraer datos de sus documentos. (que a menudo hay que actualizar cada vez que cambia su formato).

Con Textract, las empresas sólo tienen que cargar nuestras facturas en el servicio web, y obtendrán el texto, los formularios, los pares clave-valor y las tablas de estos documentos en un formato más organizado. Esto elimina la necesidad de procesos de introducción de datos manuales, largos y costosos.

Además, Amazon OCR le permite añadir fácilmente el análisis de imágenes y vídeos en sus aplicaciones mediante una tecnología de aprendizaje profundo probada y altamente escalable que no requiere conocimientos de aprendizaje automático.

iText

iText es un programa OCR de usuario final que procesa imágenes escaneadas utilizando varios motores OCR líderes del sector. Bajo los términos de la licencia AGPL de código abierto, usted es libre de utilizar iText 7 Core y un cierto número de complementos. En cuanto a las alternativas, también puede elegir entre una gran variedad de licencias comerciales.

iText Group, que fabrica productos como iText 7 Suite e iText DITO, es líder mundial en tecnología PDF. Crea software PDF galardonado y de vanguardia que utilizan millones de clientes de todo el mundo para crear documentos digitales para una amplia gama de usos, como facturas, extractos de tarjetas de crédito, tarjetas de embarque para móviles, archivo legal, etc. Este software está disponible tanto en código abierto como comercial.

El Grupo iText también ofrece iText 7 Suite, un completo SDK PDF de código abierto que contiene iText 7 Core junto con complementos opcionales para ofrecer la máxima libertad y produtividad.

OCR en la nube de Tencent

La tecnología OCR de Tencent Cloud puede detectar e identificar texto en fotos automáticamente. Tiene unos índices de fiabilidad y precisión media superiores al 95% en el caso del texto impreso y al 90% en el del material manuscrito. Los algoritmos de análisis de documentos y reconocimiento de texto de la tecnología OCR fueron desarrollados por el Tencent YouTu Lab. Puede utilizarse en situaciones de distorsión de la perspectiva, iluminación errática, oclusión parcial, etc. Admite los modos horizontal y vertical. Con una precisión mejorada, la tecnología puede distinguir entre texto chino, texto inglés, texto chino/inglés, números y símbolos especiales. Ofrece a los desarrolladores una amplia variedad de API a las que se puede llamar directamente, así como SDK fáciles de usar.

IronOCR

IronOCR es una aplicación de reconocimiento de texto OCR y escaneado de documentos de gran precisión y eficacia. Los desarrolladores de software pueden leer texto de imágenes y archivos PDF en aplicaciones y páginas web .NET con la ayuda de IronOCR for .NET. El programa ayuda a escanear texto y códigos de barras de imágenes, es compatible con una amplia gama de lenguas extranjeras y genera resultados en forma de texto sin formato o datos estructurados. Web, consola, MVC y una variedad de aplicaciones de escritorio .NET pueden hacer uso de la biblioteca OCR de Iron Software. Cuando se utiliza con fines comerciales, se proporciona asistencia directa del equipo de desarrollo junto con las licencias pertinentes. IronOCR integra rápidamente en las aplicaciones funciones de tratamiento de documentos como la conversión, creación, edición, manipulación, compresión y mejora de imágenes.

• Utilizando el motor Tesseract 5 más reciente, IronOCR puede leer texto, códigos de barras y códigos QR de cualquier formato PDF. Con esta biblioteca, añadir OCR a aplicaciones de escritorio, en línea y de consola es rápido y sencillo.
• IronOCR dispone de funciones de captura de datos como escaneado de códigos de barras, detección y escaneado de documentos, así como extracción de datos a partir de texto. Convierte material de origen, como PDF e imágenes, en registros de datos estructurados.
• IronOCR admite un total de 127 idiomas internacionales. También se admiten idiomas y listas de palabras personalizadas.
• IronOCR permite leer más de 20 formatos de códigos de barras y códigos QR.
• Admite los formatos de imagen multipágina TIFF y GIF.
• Corrige escaneados y fotos de mala calidad.
• Permite operaciones multihilo. También puede ejecutar uno o varios procesos simultáneamente.
• Páginas, párrafos, líneas, palabras, caracteres, etc. pueden recibir datos estructurados de IronOCR.
• IronOCR es compatible con sistemas operativos como Windows, Linux, macOS y otros.
• Puede extraer información de archivos PDF o JPEG y de otros documentos.
• IronOCR ofrece precisión, reconocimiento inteligente de caracteres y reconocimiento zonal para que pueda crear rápidamente documentos editables.
• IronOCR escanea por lotes documentos a PDF y reconoce automáticamente el texto en todos los idiomas. Alternativamente, podemos establecer manualmente en qué idioma debe reconocerse automáticamente el texto.
  

  A continuación se muestra el código de ejemplo para realizar OCR en un archivo de imagen.

using IronOcr;

var Ocr = new IronTesseract(); //  nada que configurar
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

using IronOcr;

var Ocr = new IronTesseract(); //  nada que configurar
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

Imports IronOcr

Private Ocr = New IronTesseract() '  nada que configurar
Using Input = New OcrInput("images\image.png")
	Dim Result = Ocr.Read(Input)
	Console.WriteLine(Result.Text)
End Using

Haga clic en aquí para más tutoriales sobre IronOCR.

Conclusión

Tesseract es fácil de usar y admite imágenes y documentos PDF para diversos métodos. Lo proporciona IronOCR en el contexto de .NET Framework. Además, ofrece una serie de parámetros para mejorar la funcionalidad de la biblioteca Tesseract OCR. Se ofrece la posibilidad de utilizar varias lenguas simultáneamente en una amplia gama de idiomas. Los paquetes IronOCR ofrecen licencias competitivas y soporte para todas las plataformas a un precio único. Además, incluye un año de actualizaciones gratuitas, mejoras de funciones y asistencia de nuestro equipo de ingenieros. IronOCR es una de las mejores alternativas para Tesseract desarrollada por Google, y puede implementarse fácilmente con sólo unas pocas líneas de código.

IronOCR viene con la cobertura de redistribución libre de regalías que se requiere para los productos de software empaquetados, SaaS y OEM. Otros productos de OCR, por el contrario, son totalmente personalizados y normalmente más caros. Ambos productos tienen precios diferentes, con IronOCR a partir de $599. Aquí más información sobre licencias y precios. En resumen, IronOCR ofrece más funciones a un coste global inferior.