Uma comparação entre IronOCR e Abbyy FineReader

1.1 ABBYY FineReader PDF — Introdução e Funcionalidades

ABBYY FineReader PDF é um aplicativo de reconhecimento ótico de caracteres (OCR) criado pela ABBYY. Ele nos permite converter documentos de imagem (fotos, digitalizações, arquivos PDF) e capturas de tela em formatos de arquivo editáveis, como Microsoft Word, Microsoft Excel, Microsoft PowerPoint, Rich Text Format, HTML, PDF/A, PDF pesquisável, CSV e texto (texto simples).

ABBYY FineReader é um aplicativo de desktop disponível para Windows, Linux e macOS. Ele também permite a criação de formatos editáveis para arquivos PDF. Também podemos ler PDFs da mesma forma que podemos com o Adobe Acrobat. ABBYY FineReader integra documentos digitalizados aos fluxos de trabalho digitais.

Gerencie e complete documentos de maneira simples e eficiente para economizar tempo e esforço. Trabalhe com qualquer documento de maneira metódica, seja ele criado digitalmente ou convertido a partir do papel. Você pode alterar o texto, tabelas e todo o layout do seu PDF sem precisar convertê-lo primeiro.

ABBYY FineReader PDF pode criar PDFs a partir de mais de 25 formatos de arquivo diferentes, diretamente de documentos de papel ou imprimindo em uma impressora PDF de praticamente qualquer aplicativo. PDF/A-1 a PDF/A-3 são suportados para arquivamento de longo prazo, e PDF/UA garante que o conteúdo seja acessível ao usar software assistivo, como leitores de tela. Ele também capacita os profissionais a maximizar a eficiência no ambiente de trabalho digital.

Crie e atualize seus próprios formulários PDF interativos usando o ABBYY FineReader para coletar informações com sucesso e padronizar documentos. Crie formulários combinando campos interativos de vários tipos, definindo ações, editando formulários PDF existentes ou adicionando elementos de formulário a um PDF convencional.

ABBYY FineReader pode converter instantaneamente documentos de papel, digitalizações e PDFs digitalizados em PDFs pesquisáveis, permitindo que você recupere documentos de arquivos digitais e acesse as informações que contêm. FineReader PDF suporta todos os níveis de conformidade e variantes do formato PDF/A, o padrão do setor para arquivamento de longo prazo, desde PDF/A-1 até PDF/A-3.

A mais recente tecnologia de OCR baseada em IA da ABBYY, o FineReader PDF, facilita a digitalização, recuperação, edição, proteção, compartilhamento e colaboração em todos os tipos de documentos no mesmo fluxo de trabalho. FineReader também inclui comparação de documentos, que nos ajuda a comparar documentos originais, bem como PDFs convertidos e arquivos de imagem.

1.2 IronOCR — Introdução e Funcionalidades

IronOCR fornece software para engenheiros que usam IronOCR for .NET para ler conteúdo de texto de fotos e PDFs em aplicativos e sites .NET. Ele digitaliza fotos para texto e códigos de barras e suporta vários idiomas em todo o mundo; ele pode então fornecer saída como texto simples ou dados estruturados. A biblioteca de OCR da Iron Software pode ser usada em aplicações .NET MVC, Web, console e desktop. Para implantações comerciais, o licenciamento é fornecido com assistência direta da equipe de desenvolvimento.

• Usando o mais recente mecanismo Tesseract 5, IronOCR lê textos, códigos de barras e códigos QR de qualquer formato de imagem ou PDF. Esta biblioteca adiciona rapidamente OCR a aplicativos de desktop, console e web.
• IronOCR suporta 125 idiomas internacionais. Ela também suporta listas de idiomas e palavras personalizadas.
• IronOCR é capaz de ler mais de 20 formatos de código de barras e códigos QR.
• IronOCR suporta formatos de imagem gifs e tiff de várias páginas.
• IronOCR oferece correção para imagens digitalizadas de baixa qualidade.
• IronOCR suporta multithreading — ele executa um ou mais processos simultaneamente.
• IronOCR pode fornecer saída de dados estruturados para páginas, parágrafos, linhas, palavras, caracteres, etc.
• IronOCR suporta uma variedade de sistemas operacionais, como Windows, Linux, macOS, etc.

3.1 Instalar ABBYY FineReader PDF

Podemos baixar o ABBYY FineReader aqui.

A imagem acima mostra que há duas versões, Individual e Comercial, que você pode baixar conforme suas necessidades. Selecione a opção "baixar versão de teste gratuita". Ele o redirecionará para um formulário conforme a imagem abaixo:

Precisaremos preencher o formulário para obter a localização do arquivo EXE. Clique na opção de download para baixar o arquivo.

Uma vez que o download do arquivo é concluído, podemos clicar duas vezes no arquivo EXE para iniciar a instalação. Uma vez concluído, ele exibirá uma mensagem popup, e agora está pronto para uso.

3.2 Instalar IronOCR

A biblioteca IronOCR pode ser baixada e instalada de quatro maneiras.

Estes são:

• Usando o Visual Studio
• Usando a linha de comando do Visual Studio
• Download direto do site do NuGet
• Download direto do site do IronPDF

3.2.1 Usando Visual Studio

O software Visual Studio oferece a opção NuGet Package Manager para instalar o pacote diretamente na solução. A captura de tela abaixo mostra como abrir o Gerenciador de Pacotes NuGet .

Ele fornece uma caixa de pesquisa para mostrar a lista de pacotes do site da NuGet. No gerenciador de pacotes, precisamos procurar pela palavra-chave IronOCR, como na captura de tela abaixo:

Na imagem acima, obteremos a lista de itens de pesquisa relacionados. Precisamos selecionar a opção necessária para instalar o pacote na solução.

3.2.2 Usando a Linha de Comando do Visual Studio

No Visual Studio, acesse Ferramentas -> Gerenciador de Pacotes NuGet -> Console do Gerenciador de Pacotes.

Insira a seguinte linha na guia Console do Gerenciador de Pacotes:

Install-Package IronOcr

Este comando irá baixar e instalar o pacote no projeto atual, e ele estará pronto para uso.

3.2.3 Download direto do site da NuGet

A terceira maneira é baixar o pacote NuGet diretamente do site.

• Navigate to the Link.
• Selecione a opção de pacote de download no menu à direita.
• Clique duas vezes no pacote baixado. Será instalado automaticamente. Em seguida, recarregue a solução e comece a usá-la no projeto.

3.2.4 Download direto do site do 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.

• Clique com o botão direito do mouse no projeto na janela de soluções.
• Em seguida, selecione a opção "Adicionar Referência" e navegue até a localização da referência baixada. Em seguida, clique em OK para adicionar a referência.

4.1 Usando ABBYY FineReader PDF

Em seguida, abra o aplicativo ABBYY FineReader PDF que abrirá com várias opções, como na imagem abaixo.

Em seguida, selecione a opção "Abrir" a partir das opções do Editor OCR. Isso oferecerá uma opção para selecionar arquivos de imagem:

Após selecionar um arquivo, ele automaticamente começará a escanear a imagem em texto editável e, em seguida, mostrará o resultado na janela conforme a captura de tela abaixo:

A imagem acima mostra a imagem fonte convertida em texto editável. No entanto, o resultado não é muito preciso. Alguns dos números não são reconhecidos pelo aplicativo ABBYY FineReader PDF. Isso é claramente mostrado nas janelas de comparação — do lado esquerdo está a imagem fonte e no lado direito está o texto convertido pelo OCR.

4.2 Usando 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();
}

O Tesseract 5 API, que nos permite converter arquivos de imagem em texto, é demonstrado acima. Estamos criando uma instância do IronTesseract no fragmento de código acima. Também estamos usando um objeto OcrInput que nos permitirá adicionar um ou mais arquivos de imagem. Devemos fornecer o caminho da imagem disponível dentro do código ao utilizar o método do objeto OcrInput AddImage. Qualquer número de imagens pode ser adicionado. A função Read no objeto IronTesseract que construímos anteriormente pode ser utilizada para realizar OCR analisando o arquivo de imagem e extraindo o resultado no resultado OCR. É capaz de extrair texto de imagens e convertê-lo em uma string.

Também podemos usar Tesseract para adicionar imagens com múltiplos quadros. AddMultiFrameTiff é um método diferente para esta operação. A biblioteca Tesseract lê cada quadro na imagem, e cada quadro é tratado como uma página distinta. O processo lerá o primeiro quadro da imagem e, em seguida, prosseguirá para o próximo quadro, e assim por diante, até que todos os quadros da imagem tenham sido escaneados. Apenas o formato de imagem tiff é suportado por este método.

A imagem acima é o resultado da IronOCR, que é precisa e mostra os dados corretamente convertidos em texto editável.

5.1 Usando ABBYY FineReader PDF

Abra o software ABBYY FineReader PDF. Isso abrirá uma página como na imagem abaixo, oferecendo várias opções.

Em seguida, selecione a opção "Abrir" a partir das opções do Editor OCR. Isso oferecerá uma opção para selecionar a imagem/PDF. Podemos selecionar tanto um PDF quanto uma imagem, ou podemos selecionar ambos os arquivos.

Após selecionar o arquivo, clique no botão OK. Ele começará automaticamente a escanear a imagem em texto editável e mostrará o resultado em uma janela como a captura de tela abaixo.

A imagem acima mostra o PDF fonte convertido em texto editável. No entanto, o resultado não é completamente preciso. Alguns dos números não são reconhecidos pelo aplicativo ABBYY FineReader PDF. Isso é claramente mostrado nas janelas de comparação — no lado esquerdo está o PDF de origem, e no lado direito está o texto convertido pelo OCR.

5.2 Usando IronOCR

Também podemos usar OCRInput para gerenciar arquivos PDF. Cada página dos documentos será lida pela classe Iron Tesseract. O texto será então extraído das páginas. Também podemos abrir documentos protegidos usando uma segunda função chamada AddPdf, que nos permite adicionar PDFs à nossa lista de documentos (senha, se estiver protegido). O código a seguir demonstra como abrir um documento PDF protegido por senha:

// 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);
}

Os seguintes métodos também são fornecidos por Iron Tesseract:

• AddPdfPage
• AddPdfPages

Podemos ler e extrair conteúdo de uma única página em um documento PDF usando AddPdfPage. Somente o número da página da qual desejamos extrair texto precisa ser especificado. AddPdfPages nos permite extrair texto de várias páginas que especificamos. No IEnumerable<int>, simplesmente precisamos especificar o número de páginas. Devemos também incluir a localização do arquivo, bem como a extensão do arquivo. Isso é demonstrado no exemplo de código a seguir:

// 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");
}

Usando a função SaveAsTextFile, podemos armazenar o resultado como um arquivo de texto, permitindo download do arquivo para o caminho do diretório de saída. Além disso, podemos salvar o arquivo como um arquivo HTML usando SaveAsHocrFile.

6.1 Usando ABBYY FineReader PDF

O FineReader tem algumas opções adicionais, como: Desenhar Área de Texto, Desenhar Área de Imagem, Desenhar Área de Tabela, Desenhar Área de Reconhecimento, etc. Estes ajudam o usuário a melhorar o desempenho do OCR. Além disso, além de realizar OCR, o aplicativo também permite que os usuários executem operações como combinar PDFs, dividir PDFs, editar PDFs, etc.

6.2 Usando IronOCR

O IronOCR tem recursos exclusivos que nos permitem ler códigos de barras e QR de documentos digitalizados. O código abaixo mostra como podemos ler códigos de barras de uma imagem ou documento fornecido.

// 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);
    }
}

O código acima ajuda a ler códigos de barras de uma imagem ou documento PDF fornecido. Ele é capaz de ler mais de um código de barras de uma página/imagem. Para ler o código de barras, o IronOCR tem uma configuração exclusiva Ocr.Configuration.ReadBarCodes que ajuda a ler o código de barras; o valor padrão é definido como falso.

Após ler a entrada, os dados serão salvos no objeto chamado OCRResult; isso tem uma propriedade chamada Barcodes que monta todos os dados do código de barras disponíveis em uma lista. Usando o loop foreach, podemos obter os detalhes de cada código de barras um por um. Além disso, ele irá escanear o código de barras e ler o valor do código de barras — duas operações concluídas em um único processo!

Além disso, opções de threading também são suportadas, o que significa que podemos realizar múltiplos processos de OCR ao mesmo tempo. IronOCR também é capaz de reconhecer uma área específica de uma região 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);
}

O acima é um código de exemplo para realizar OCR em uma região específica. Precisamos apenas especificar a região retangular na imagem ou PDF — o motor Tesseract no IronOCR habilita o reconhecimento do texto.