using IronOcr; using IronSoftware.Drawing; // Podemos profundizar en los resultados del OCR como un modelo de objeto de // Páginas, códigos de barras, párrafos, líneas, palabras y caracteres // Esto nos permite explorar, exportar y dibujar contenidos OCR utilizando otras API/ var ocrTesseract = new IronTesseract(); ocrTesseract.Configuration.ReadBarCodes = true; using var ocrInput = new OcrInput(); var pages = new int[] { 1, 2 }; ocrInput.LoadImageFrames("example.tiff", pages); OcrResult ocrResult = ocrTesseract.Read(ocrInput); foreach (var page in ocrResult.Pages) { // Página objeto int PageNumber = page.PageNumber; string PageText = page.Text; int PageWordCount = page.WordCount; // null si no establecemos Ocr.Configuration.ReadBarCodes = true; OcrResult.Barcode[] Barcodes = page.Barcodes; AnyBitmap PageImage = page.ToBitmap(ocrInput); int PageWidth = page.Width; int PageHeight = page.Height; double PageRotation = page.Rotation; // corrección angular en grados de OcrInput.Deskew() foreach (var paragraph in page.Paragraphs) { // Páginas -> Párrafos int ParagraphNumber = paragraph.ParagraphNumber; string ParagraphText = paragraph.Text; AnyBitmap ParagraphImage = paragraph.ToBitmap(ocrInput); int ParagraphX_location = paragraph.X; int ParagraphY_location = paragraph.Y; int ParagraphWidth = paragraph.Width; int ParagraphHeight = paragraph.Height; double ParagraphOcrAccuracy = paragraph.Confidence; OcrResult.TextFlow paragrapthText_direction = paragraph.TextDirection; foreach (var line in paragraph.Lines) { // Páginas -> Párrafos -> Líneas int LineNumber = line.LineNumber; string LineText = line.Text; AnyBitmap LineImage = line.ToBitmap(ocrInput); int LineX_location = line.X; int LineY_location = line.Y; int LineWidth = line.Width; int LineHeight = line.Height; double LineOcrAccuracy = line.Confidence; double LineSkew = line.BaselineAngle; double LineOffset = line.BaselineOffset; foreach (var word in line.Words) { // Páginas -> Párrafos -> Líneas -> Palabras int WordNumber = word.WordNumber; string WordText = word.Text; AnyBitmap WordImage = word.ToBitmap(ocrInput); int WordX_location = word.X; int WordY_location = word.Y; int WordWidth = word.Width; int WordHeight = word.Height; double WordOcrAccuracy = word.Confidence; foreach (var character in word.Characters) { // Páginas -> Párrafos -> Líneas -> Palabras -> Caracteres int CharacterNumber = character.CharacterNumber; string CharacterText = character.Text; AnyBitmap CharacterImage = character.ToBitmap(ocrInput); int CharacterX_location = character.X; int CharacterY_location = character.Y; int CharacterWidth = character.Width; int CharacterHeight = character.Height; double CharacterOcrAccuracy = character.Confidence; // Salida de opciones de símbolos alternativos y su probabilidad. // Muy útil para la corrección ortográfica OcrResult.Choice[] Choices = character.Choices; } } } } }

HERRAMIENTAS OCR

Best OCR For Mac [Herramientas en línea gratuitas] (en inglés)

Actualizado 29 de agosto, 2023

1.0 Introducción

El uso de documentos escaneados en el entorno digital contemporáneo ha experimentado un cambio revolucionario, gracias al OCR (Reconocimiento óptico de caracteres) tecnología. Esta tecnología permite a los ordenadores reconocer y extraer texto de diversas fuentes, incluidos los documentos PDF escaneados, lo que nos permite editar e interactuar rápidamente con documentos PDF. Es rápido y sencillo extraer texto de documentos escaneados y convertirlos en PDF editables o PDF basados en imágenes en los que se pueden realizar búsquedas mediante el reconocimiento óptico de caracteres. (OCR) software como Adobe Acrobat.

Los desarrolladores pueden aprovechar algoritmos de vanguardia que les permiten utilizar plenamente la tecnología de reconocimiento óptico de caracteres combinando las sólidas herramientas y API que ofrecen bibliotecas de OCR como Tesseract e IronOCR con técnicas de aprendizaje automático. Estas bibliotecas permiten un reconocimiento preciso del texto, lo que simplifica la organización y extracción de datos útiles tanto de los documentos de nueva creación como de los ya escaneados. Maximizar el potencial de los documentos escaneados y las imágenes de páginas con OCR permite un análisis de contenido sin fisuras y favorece la optimización de la productividad tanto individual como empresarial. El escaneado OCR transforma las imágenes en PDF que permiten realizar búsquedas, lo que convierte al OCR en una herramienta vital de la tecnología contemporánea. Se utiliza para digitalizar registros en papel, extraer datos de facturas y mejorar la accesibilidad de los documentos.

2.0 Herramientas OCR

En este artículo, vamos a hablar de algunas de las mejores herramientas de software OCR para usuarios de Mac. Entre ellas figuran:

Adobe Acrobat Pro DC
ABBYY FineReader PDF
Readiris 17
IronOCR

2.1 Adobe Acrobat Pro DC

El programa OCR de escaneo de documentos original, y nuestra mejor elección de software OCR para Mac en 2023, es Adobe Acrobat Pro. No es de extrañar que Adobe Acrobat Pro sea el único programa disponible para Mac que facilita la creación y edición de documentos PDF, así como la conversión de archivos PDF en formatos editables o que permiten realizar búsquedas. El formato PDF fue desarrollado inicialmente por Adobe. Aunque ahora hay muchos otros productos en el mercado capaces de gestionar una amplia gama de tareas de PDF, Adobe Acrobat Pro DC sigue siendo excepcionalmente sólido. A pesar de la disponibilidad de Adobe Document Cloud para acceder a Adobe Acrobat Pro DC en línea, el cliente de escritorio para Mac destaca por su excelencia. Cabe destacar que Adobe Acrobat es el único programa de OCR compatible con los últimos Mac M1 y M2, lo que aumenta aún más su atractivo.

Para empezar, inicie Acrobat y abra un archivo PDF.
En la ventana de la derecha, seleccione la herramienta Editar PDF. Acrobat transforma rápidamente su documento en una copia totalmente editable de su PDF poco después de realizar automáticamente un reconocimiento óptico de caracteres (OCR) escanearlo.
Para editar un elemento, haga clic sobre él. Cualquier texto adicional que proporcione coincidirá con el estilo de la fuente original. Para guardar el documento recién modificado, seleccione Archivo > Guardar como.
Puede obtener más información sobre la instalación de Adobe Acrobat DC en la página Sitio web de Adobe Acrobat.

2.2 ABBYY FineReader PDF para Mac

El software ABBYY FineReader PDF OCR para Mac ha estado disponible durante casi 20 años, aunque durante la mayor parte de ese tiempo se denominó ABBYY FineReader Pro. ABBYY actualizó la línea de productos FineReader con el lanzamiento de macOS Big Sur para introducir FineReader PDF. Por desgracia, sólo funciona de forma nativa con Macs Intel. ABBYY FineReader PDF for Mac es compatible con los Mac M1 y M2, pero sólo cuando se utiliza con Rosetta, un programa de macOS que convierte el software diseñado para procesadores Intel para que funcione en los chips Silicon de Apple. No existe una versión para Mac de FineReader PDF que sea compatible de forma nativa con los chips M1/M2. No obstante, uno de los mejores programas de OCR de escritorio tanto para Mac como para PC sigue siendo ABBYY FineReader PDF.

Aunque la calidad del documento original influye en la tasa de precisión, la capacidad de reconocimiento de texto OCR de FineReader PDF es excepcional y, sin duda, la mejor del mercado. Se conserva el formato original del documento escaneado, incluidos el tamaño del texto, los estilos de fuente, las fotos, las tablas y los diseños. También destaca en el reconocimiento rápido y preciso de texto. A continuación se indican los pasos para realizar el OCR:

Inicie ABBYY FineReader PDF.
Seleccione la opción "PDF con función de búsqueda", que le permite abrir un PDF y convertirlo en un PDF con función de búsqueda. También puedes guardar los archivos PDF convertidos.
Para obtener más información sobre ABBYY FineReader, visite su sitio web sitio web.

2.3 Readiris 17

Los usuarios de Mac pueden utilizar ReadIris 17 como solución de OCR. A pesar de su uso principal en Windows, ReadIris ha desarrollado un lector y editor de PDF con capacidad OCR para usuarios de Mac.

Con ReadIris 17, los usuarios pueden combinar, dividir, proteger y firmar PDF fácilmente. El software OCR offline para Mac permite convertir archivos PDF a Word, Excel, PDF con capacidad de búsqueda o PowerPoint conservando el formato del documento. Sin embargo, la versión freemium impone limitaciones al número de páginas que se pueden escanear a la vez.

Best OCR For Mac, Figura 3 - Un PDF en ReadIris 17 con el texto ¡Hola mundo!.

Introduje una imagen en el programa e intenté extraer texto de ella. Además, captó los elementos visibles en pantalla. Puede ser necesario algún tratamiento posterior.

Para más información, consulte el Sitio web de Iris.

2.4 IronOCR

IronOCR mejora Tesseract en comparación con la biblioteca estándar de Tesseract, proporcionando una biblioteca de OCR nativa de C# con mayor precisión, rendimiento y estabilidad. Permite extraer texto de PDF e imágenes utilizando herramientas y sitios web .NET. IronOCR es compatible con una amplia gama de lenguas extranjeras y puede generar texto sin formato o datos estructurados. Es capaz de leer códigos de barras e imágenes con texto incrustado. Las aplicaciones desarrolladas en consola Dot NET, web, MVC y escritorio pueden aprovechar la biblioteca OCR de Iron Software. El equipo de desarrollo ofrece asistencia directa para implantaciones comerciales. IronOCR es compatible con las últimas versiones de Visual Studio.

Ventajas de IronOCR

Utilizando el moderno motor Tesseract 5, IronOCR puede escanear documentos en papel, códigos de barras y códigos QR de diversas imágenes o archivos PDF. Este paquete simplifica la integración de OCR en aplicaciones de escritorio, consola y web.
Con la ayuda de IronOCR, podemos realizar OCR, convirtiendo los PDF escaneados en PDF con capacidad de búsqueda.
IronOCR admite 127 idiomas diferentes en todo el mundo, además de idiomas personalizados y listas de palabras.
El software puede leer más de 20 tipos diferentes de códigos de barras y códigos QR.
IronOCR proporciona tanto datos de código de barras como texto sin formato. Los desarrolladores pueden acceder a todos los contenidos para introducirlos directamente en un sistema mediante un paradigma alternativo de objetos de datos estructurados. Esto incluye títulos, párrafos, líneas, palabras y caracteres organizados de forma lógica en las aplicaciones en línea.
Para más información, consulte el sitio web de IronOCR.

Procesamiento OCR con IronOCR

IronOCR, una robusta biblioteca OCR, permite la conversión de documentos PDF y el acceso a datos. Facilita la transformación en texto legible por máquina para un análisis y procesamiento eficaces sin comprometer la privacidad de los datos. He aquí un ejemplo de cómo se utiliza IronOCR para extraer texto de una imagen mediante OCR:

var Ocr = new IronTesseract();
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

using (OcrInput ocrInput = new OcrInput("Demo.gif"))
{
    OcrResult ocrResult = Ocr.Read(ocrInput);
    Console.WriteLine(ocrResult.Text);
}

var Ocr = new IronTesseract();
Ocr.Language = OcrLanguage.EnglishBest;
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5;

using (OcrInput ocrInput = new OcrInput("Demo.gif"))
{
    OcrResult ocrResult = Ocr.Read(ocrInput);
    Console.WriteLine(ocrResult.Text);
}

Dim Ocr = New IronTesseract()
Ocr.Language = OcrLanguage.EnglishBest
Ocr.Configuration.TesseractVersion = TesseractVersion.Tesseract5

Using ocrInput As New OcrInput("Demo.gif")
	Dim ocrResult As OcrResult = Ocr.Read(ocrInput)
	Console.WriteLine(ocrResult.Text)
End Using

VB C#

En el fragmento de código proporcionado, mejoramos Iron Tesseract con funciones. Se crea un objeto OcrInput para simplificar la adición de uno o más archivos de imagen. Cuando utilice el método Add del objeto OcrInput, especifique la ruta de la imagen en el código. Puede utilizar tantas fotos de facturas como necesite. Al analizar los documentos de imagen y extraer los resultados en el resultado OCR, utilizamos la funcionalidad "Leer" del objeto IronOCR previamente construido para acceder a las imágenes. Puede extraer texto de imágenes y convertirlo en una cadena.

Best OCR For Mac, Figura 4 - Un PDF abierto en Adobe Acrobat con el texto ¡Hola mundo!.

El siguiente resultado muestra el texto extraído de la imagen proporcionada, confirmando que la extracción se ha realizado correctamente. IronOCR también admite varios formatos de salida para guardar los resultados.

Best OCR For Mac, Figura 5 - En la línea de comandos aparece el texto ¡Hola mundo!

Conclusión

Múltiples herramientas de OCR disponibles en el mercado permiten procesar datos a partir de facturas. El tratamiento OCR de imágenes permite traducir datos de texto a partir de imágenes proporcionadas. Las dos primeras herramientas de reconocimiento óptico de caracteres permiten escanear y validar los datos de forma automatizada, procesando los datos de las facturas sin necesidad de introducirlos manualmente. Estas herramientas suelen ser caras y a menudo requieren una conexión activa a Internet, lo que limita su uso a entornos específicos.

Por otro lado, IronOCR es compatible con varios proyectos .NET, incluidos .NET Framework Standard 2, .NET Framework 4.5 y .NET Core 2, 3 y 5. También funciona con tecnologías contemporáneas como Xamarin, Azure, MAC y Mono. IronOCR mejora la salida de Tesseract y corrige palabras o imágenes escaneadas de forma imprecisa utilizando métodos IronOCR. El complejo sistema de diccionarios de Tesseract se gestiona mediante el paquete NuGet. La biblioteca Iron OCR se utiliza para crear una herramienta de OCR. Por lo tanto, IronOCR es el software de OCR de facturas ideal para automatizar las facturas y extraer datos con una codificación mínima.

Compatible con numerosos formatos de imagen, archivos PDF y TIFF MultiFrame, IronOCR ofrece una experiencia perfecta sin necesidad de configuraciones adicionales. Va más allá del reconocimiento óptico de caracteres al ofrecer funciones de identificación de códigos de barras para extraer datos de imágenes que contengan códigos de barras. Existe una versión de prueba gratuita de la asequible edición de desarrollo de IronOCR, y con la compra del paquete IronOCR se incluye una licencia de por vida. El paquete IronOCR ofrece un valor excelente, ya que proporciona un precio único que cubre varios sistemas. Para más detalles sobre el coste de IronOCR, visite la página Sitio web de IronOCR.

< ANTERIOR
Software de aprendizaje automático (lista actualizada para desarrolladores)

SIGUIENTE >
Cómo utilizar el reconocimiento de texto OCR (Tutorial para principiantes)