Comparação entre IronOCR e AWS Textract OCR

O que é OCR?

O procedimento usado para transformar uma imagem de texto em um formato de texto legível por máquina é conhecido como Reconhecimento Óptico de Caracteres (OCR). Por exemplo, se você escanear um formulário, faturas ou um recibo, seu computador salva o escaneamento como um arquivo de imagem. Os dados no arquivo de imagem não podem ser editados, procurados ou contados usando um editor de texto. No entanto, você pode usar soluções de OCR para converter o arquivo de imagem em um documento de texto com seu conteúdo armazenado como dados de texto.

Nesta era moderna, a maioria dos fluxos de trabalho de negócios envolve receber informações de mídia impressa. Diferentes documentos como formulários em papel, faturas, documentos legais escaneados, extração de tabelas e textos ou contratos impressos fazem parte dos processos de negócios. Além disso, a digitalização de tal conteúdo documental cria imagens com o texto oculto dentro delas. Texto em imagens não pode ser processado por ferramentas de processamento de texto da mesma forma que documentos de texto. A tecnologia OCR resolve o problema ao converter imagens de texto em dados de texto que podem ser analisados por outros softwares empresariais.

Como funciona o OCR?

O mecanismo de OCR funciona usando as seguintes etapas:

1. Criando Projeto no Visual Studio

Este tutorial usará a versão Visual Studio 2022, então assumo que você deve tê-la instalada.

• Abra o Visual Studio 2022.
• Gere um novo projeto .NET Core e depois selecione Console App.

Aplicativo de console

• Dê um nome ao projeto. Por exemplo, TextReader.

• A versão mais recente e estável do framework .NET é 6.0. Vamos usar esta.

  

• Clique no botão Criar e o projeto será criado.

Em seguida, vamos instalar as bibliotecas para nosso uso uma por uma.

2. Instalando IronOCR

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

1. Usando o Gerenciador de Pacotes NuGet do Visual Studio.
2. Download direto via o site do NuGet.
3. Download direto via a página do IronOCR.
4. Usando a Linha de Comando no Visual Studio.

2.1. Usando o Gerenciador NuGet do Visual Studio

O Gerenciador de Pacotes NuGet do Visual Studio pode ser usado para incorporar o IronOCR em um projeto C#.

1. Expanda Ferramentas ou clique com o botão direito no explorador de soluções.
2. Estenda o Gerenciador de Pacotes NuGet.
3. Clique em Gerenciar Pacotes NuGet para Soluções ou clique em Gerenciar Pacotes NuGet no explorador de soluções.

Gerenciar Pacotes NuGet

Após isso, uma nova janela aparecerá na barra de pesquisa: digite IronOCR. Marque a caixa do projeto no lado direito e clique em Instalar.

Navegar IronOCR

Usando este método, os desenvolvedores podem instalar a biblioteca IronOCR e qualquer pacote de idiomas à escolha do desenvolvedor.

2.4. Usando a Linha de Comando no Visual Studio

1. No Visual Studio, vá para Ferramentas -> Gerenciador de Pacotes NuGet -> Console do Gerenciador de Pacotes.
2. Insira a seguinte linha na aba do console do gerenciador de pacotes:

Install-Package IronOcr

O pacote agora será baixado/instalado no projeto atual e está pronto para uso.

Aplicativo de console

Aplicativo de console

Após digitar o comando, pressione enter, e ele será instalado.

using IronOcr;

using IronOcr;

3. Instalando AWS Textract OCR

Antes de usar o Amazon Textract pela primeira vez, complete as seguintes tarefas:

1. Inscreva-se para os serviços da AWS.
2. Crie um Usuário IAM.

Depois de se inscrever com sucesso na conta e criar o usuário IAM, você agora pode definir as chaves de acesso no console AWS para acessar a API programaticamente usando C#. Você precisará de:

• AccessKeyId
• SecretAccessKey
• RegionEndPoint (Sua área de acesso) - Neste exemplo: AFSouth1

3.1. Usando o Gerenciador de Pacotes NuGet

• Você pode baixar e instalar o SDK AWS Textract do Gerenciador de Pacotes NuGet.

Gerenciador de Pacotes NuGet

• Clique em Browse e procure por AWS Textract:

AWS Textract

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

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

4. Arquivo PDF para Texto

Ambas as bibliotecas podem extrair texto de arquivos PDF. Vamos dar uma olhada no código um por um.

4.1. Usando IronOCR

O IronOCR permite reconhecer e ler texto a partir de formatos de documentos PDF usando o avançado Tesseract. O seguinte código simples é usado para extrair informações:

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
}

$vbLabelText   $csharpLabel

O código é simples, limpo e muito fácil de entender e usar.

Arquivo PDF de Entrada

Exemplo PDF

Saída

Saída do IronOCR

4.2. AWS Textract

O Amazon Textract torna fácil adicionar detecção e análise de texto de documentos às suas aplicações. O seguinte código é usado para ler o PDF e o mesmo PDF é passado:

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();
}

$vbLabelText   $csharpLabel

O código é um pouco complicado, extenso e requer atenção ao passar e recuperar objetos. Primeiro, precisamos criar um objeto AmazonTextractClient com 3 parâmetros: AccessKeyId, SecretAccessKey e Region. Em seguida, precisamos iniciar uma solicitação usando o método StartDocumentTextDetectionRequest(). O objeto de solicitação então define DocumentLocation usando o nome do bucket e a chave. Essa solicitação é então passada para o método StartDocumentTextDetectionAsync(). Como é um método assíncrono, precisamos usar a palavra-chave await e tornar a função ReturnResult assíncrona. Com sucesso, o resultado é retornado e o jobId é salvo. O jobId é passado para o método GetDocumentTextDetectionAsync() e espera pela resposta SUCCEEDED. O loop foreach é usado para iterar através de cada bloco e verificar se é "WORD", "PAGE" ou "LINE", então imprimir o reconhecimento de texto. Por fim, chame este método no método Main para processamento de documentos.

Saída

A saída é bem semelhante à do IronOCR.

Saída do AWS Textract

5. Imagens para Texto

Ler dados de imagens é complicado, pois a qualidade da imagem desempenha um papel vital na extração de informações. Ambas as bibliotecas oferecem a possibilidade de extrair texto. Aqui usaremos arquivos png.

5.1. Usando IronOCR

O código é quase semelhante ao anterior. Aqui, o método AddPDF é substituído pelo 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);
}

$vbLabelText   $csharpLabel

Imagem de Entrada

Dados de Funcionários Redigidos

Saída

A saída é limpa e corresponde à imagem original com apenas algumas linhas de código sem qualquer tecnicidade e saída perfeita.

Saída de imagem

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();
}

6. Código de Barras e QR para Texto

Uma característica única do IronOCR é a capacidade de ler códigos de barras e códigos QR de documentos enquanto realiza a digitalização de texto. Instâncias da classe OcrResult.OcrBarcode oferecem ao desenvolvedor informações detalhadas sobre cada código de barras escaneado. O AWS Textract não fornece essa funcionalidade.

O código para IronOCR é mostrado abaixo:

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
    }
}

O código é autoexplicativo e fácil de entender.

7. Licenciamento

IronOCR é uma biblioteca que fornece uma licença de desenvolvedor gratuita. Também possui uma estrutura de preços distinta; o pacote Lite começa em $799 sem taxas ocultas. A redistribuição de produtos SaaS e OEM também é possível. Todas as licenças vêm com garantia de devolução do dinheiro em 30 dias, um ano de suporte e atualizações de software, validade para desenvolvimento/homologação/produção e uma licença perpétua (compra única). Para ver toda a estrutura de preços do IronOCR e detalhes de licenciamento, acesse aqui.

Plano de Preços do IronOCR

Você pode obter a redistribuição de serviços Saas e OEM isenta de royalties por uma única compra de $1,599.

Serviço SAAS

API AWS Textract fornece aos desenvolvedores o serviço AWS Free Tier. Você pode começar com o Amazon Textract de graça. O Free Tier dura três meses e os preços são mostrados abaixo.

Lista de Preços

You can have a look at the pricing details from this link. Além disso, você também pode ajustar os preços conforme suas necessidades usando a calculadora de preços.

8. Conclusão

O IronOCR fornece aos desenvolvedores em C# a API Tesseract mais avançada que conhecemos, em qualquer plataforma. O IronOCR pode ser implantado no Windows, Linux, Mac, Azure, AWS, Lambda e suporta projetos no .NET Framework assim como .NET Standard e .NET Core. Também podemos ler códigos de barras em digitalizações OCR e até mesmo exportar nosso OCR como HTML e PDFs pesquisáveis.

O Amazon Textract torna fácil adicionar detecção e análise de texto de documentos às suas aplicações. O Amazon Textract é baseado na comprovada tecnologia de aprendizado profundo altamente escalável que foi desenvolvida pelos cientistas de visão computacional da Amazon para analisar bilhões de imagens e vídeos diariamente. Você não precisa de nenhum conhecimento em machine learning para usá-lo. O Amazon Textract inclui APIs simples e fáceis de usar que podem analisar arquivos de imagem e arquivos PDF. O Amazon Textract está sempre aprendendo com novos dados, e a Amazon está continuamente adicionando novos recursos ao serviço.

As licenças do IronOCR são baseadas no desenvolvedor, o que significa que você sempre deve comprar uma licença com base no número de desenvolvedores que usarão o produto. As licenças do AWS Textract são baseadas no número de páginas do documento para extrair informações e analisar os dados. As licenças são mensais e os preços tornam-se muito altos para um grande número de páginas em comparação com a licença do IronOCR. Além disso, a licença do IronOCR é uma compra única e pode ser usada para a vida toda e suporta distribuição OEM e SaaS.

Em comparação geral, o IronOCR e o AWS OCR ambos possuem capacidades de aprendizado de máquina para detectar texto de um documento ou imagem. O IronOCR tem uma leve vantagem sobre o AWS OCR, pois é rápido e economiza tempo. O código é simples e é direto ao detectar texto de documentos. A tarefa é realizada em alguns métodos. Por outro lado, o AWS Textract usa muitos métodos para realizar a mesma tarefa. Isso aumenta a resposta do servidor e às vezes consome tempo. Podemos ver que, se inserirmos até mesmo um documento imperfeito no IronOCR, ele pode ler seu conteúdo com precisão para uma acurácia estatística de cerca de 99%, mesmo que o documento estivesse mal formatado, inclinado e com ruído digital. O IronOCR funciona pronto para uso sem a necessidade de afinar o desempenho ou modificar pesadamente as imagens de entrada. A velocidade é incrível: o IronOCR.2020+ é até 10 vezes mais rápido e comete mais de 250% menos erros do que versões anteriores.

Além disso, a Iron Software está atualmente oferecendo um pacote de cinco ferramentas pelo preço de apenas duas. As ferramentas incluídas no Iron Suite são:

• IronBarcode
• IronXL
• IronOCR
• IronPDF
• IronWebScraper

Por favor, visite este link para explorar o IRONSUITE.