Tesseract 替代方案（2022 更新）

介紹

Tesseract 最初由 HP Laboratories Bristol 和 HP Co. 在科羅拉多州格里利於 1985 年至 1994 年間創建。1996 年進行了更多改進以使其移植到 Windows，並於 1998 年用 C++ 重寫。HP 於 2005 年將 Tesseract 開源。Google 自 2006 年開始與其合作。

Tesseract OCR 是一種屬於 Google 技術堆棧中圖像分析 API 類別的工具。它可以自動去除雜亂的背景，並能生成與掃描儀產生的 PDF 文件相媲美的文件。Tesseract 使用高度準確的光學字符識別技術，可以將掃描的紙質文件轉換為可搜索的數字文件。它可以從相機照片、數字圖像和多頁掃描 PDF 文件中提取文本和字符。此外，包含鍵入或打印文本的 PDF 還可以轉換為計算機編碼文本。

還有其他 OCR 軟件 (開源和專有的，基於網絡服務的) 從圖像文件和PDF文件中提取文字。在本文中，我們將探討幾個作為Tesseract OCR替代方案的OCR工具。

ABBYY FineReader PDF

由ABBYY開發，ABBYY FineReader PDF是一款光學字符識別軟件，可以將圖像文件轉換為文本。 (例如照片、掃描件和PDF檔案)將螢幕截圖轉換為可編輯的檔案格式，如 Microsoft Word、Microsoft Excel、Microsoft PowerPoint、Rich Text Format、HTML、PDF/A、可搜尋的 PDF、CSV 和文字。 (純文本).

ABBYY FineReader PDF 可以直接從紙質文件、超過25種不同的文件類型，或僅通過將幾乎任何程式發佈至PDF印表機來生成PDF文件。 長期存檔支援 PDF/A-1 到 PDF/A-3，並且 PDF/UA 確保使用輔助技術（如螢幕閱讀器）時內容是可訪問的。

此外，ABBYY FineReader PDF 使專業人士在數位工作環境中盡可能高效地工作。 ABBYY FineReader 將掃描的文件整合到數位工作流程中，節省了管理和完成文件的時間和精力。 您無需轉換您的 PDF 即可編輯文字、表格或整個佈局。 無論文件是如何製作的——不論是數位製作，還是直接從硬拷貝中轉化，該軟體都可以輕鬆而有序地處理任何文件。 該軟體還可以創建可編輯的PDF文件。

桌面版本的 ABBYY FineReader 可在 Windows、Linux 和 macOS 上使用。

AWS OCR

作為機器學習 (機器學習) 網路服務，Amazon Textract 從任何掃描文件中提取文本、手寫字、表格和其他數據。它使用深度學習來準確且自動地從掃描文件中提取內容，如 PDF、照片、表格和表單。之後，Amazon Textract 將信息輸出到可編輯且組織化的文件格式中。

考慮一個場合，一家公司需要將許多公司的發票紙本上的相關信息轉移到 Excel 試算表中。通常會使用數據輸入人員手動完成此任務，但這往往是無序的，耗時且容易出錯。此外，其他使用一些 OCR 軟件解決方案的公司往往需要花費數小時來配置他們的工具，以從他們的文件中提取數據。 (當它們的格式變更時，通常需要更新)透過Textract，公司只需將發票上傳到網頁服務，他們就能以更有條理的格式從這些文件中獲得文本、表單、鍵值對和表格。這消除了手動、耗時且昂貴的數據輸入過程。

此外，Amazon OCR 允許您使用經過驗證、高度可擴展的深度學習技術，輕鬆將圖像和視頻分析添加到您的應用程式中，且不需要任何機器學習專業知識。

iText

iText 是一個終端用戶 OCR 程序，使用多個業界領先的 OCR 引擎來處理掃描圖像。根據開源 AGPL 條款，您可以自由使用 iText 7 Core 和一定數量的附加功能。作為替代方案，您還可以選擇多種商業授權選項。

iText 集團製造包括 iText 7 Suite 和 iText DITO 在內的產品，是 PDF 技術領域的世界領導者。它創建了尖端的、屢獲殊榮的 PDF 軟件，全球數百萬客戶使用這些軟件來創建各種用途的數位文檔，包括發票、信用卡對帳單、手機登機牌、法律存檔等。這些軟件同時提供開源和商業版本。

iText 集團還提供 iText 7 Suite，一個完整的開源 PDF SDK，其中包含 iText 7 Core 和可選的附加功能，提供最大的自由度和生產力。

腾讯云OCR

腾讯云的OCR技术可以自动检测和识别照片中的文字。其对于印刷文本的平均准确率超过95%，对于手写材料的准确率则超过90%。OCR技术的文档分析和文字识别算法由腾讯优图实验室开发。它可以在透视变形、不规则照明、部分遮挡等情况下使用，并支持横向和纵向模式。通过提高准确率，该技术可以区分中文文本、英文文本、中英文混合文本、数字和特殊符号。它为开发者提供了多种可以直接调用的API以及易于使用的SDK。

IronOCR

IronOCR 是一款高精度且高效的OCR文字识别和文件扫描應用程序。软件开发人员可以借助 IronOCR for .NET 在 .NET 应用程序和网页中读取图像和 PDF 中的文字。该软件辅助识别和扫描图像中的文本和条形码，支持广泛的外国语言，并生成纯文本或结构化数据作为输出。Web、控制台、MVC 和各种 .NET 桌面应用程序都可以使用 Iron 软件的OCR库。用于商业用途时，开发团队会提供直接支持以及相关的许可证。IronOCR 能迅速将文档处理功能（如图像转换、创建、编辑、处理、压缩和图像增强）集成到应用程序中。

• 使用最新的 Tesseract 5 引擎，IronOCR 能读取任何 PDF 格式中的文本、条形码和 QR 代码。借助此库，为桌面、在线和控制台应用程序添加OCR功能变得快速且简单。
• IronOCR 具有数据捕获能力，如条形码扫描、文档检测和扫描，以及从文本中提取数据。它将源材料（如PDF和图像）转换为结构化数据记录。
• IronOCR 总共支持 127 种国际语言。也支持自定义语言和词汇表。
• IronOCR 可读取超过 20 种条形码和 QR 代码格式。
• 它支持 TIFF 和 GIF 多页图像格式。
• 它能纠正质量较差的扫描和照片。
• 它允许进行多线程操作，并可同时运行一个或多个进程。
• IronOCR 能为页、段落、行、词、字符等生成结构化数据输出。
• IronOCR 支持的操作系统包括 Windows、Linux、macOS 等。
• 它能从 PDF 或 JPEG 文件以及各种其他文档中提取信息。
• IronOCR 提供准确性、智能字符识别和区域识别，使您能迅速生成可编辑文档。
• IronOCR 批量扫描文档至 PDF 并自动识别所有语言中的文本。或者，我们可以手动设置应自动识别的文本语言。

以下是對圖像文件進行OCR的範例代碼。

using IronOcr;

var Ocr = new IronTesseract(); // nothing to configure
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

using IronOcr;

var Ocr = new IronTesseract(); // nothing to configure
using (var Input = new OcrInput(@"images\image.png"))
{
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

Imports IronOcr

Private Ocr = New IronTesseract() ' nothing to configure
Using Input = New OcrInput("images\image.png")
	Dim Result = Ocr.Read(Input)
	Console.WriteLine(Result.Text)
End Using

點擊 這裡 更多關於IronOCR的教程。

結論

Tesseract 易於使用，並支援多種方法處理圖像和 PDF 文件。它由 IronOCR 在 .NET Framework 的環境中提供。此外，它提供了許多參數來增強 Tesseract OCR 庫的功能。IronOCR 支援同時使用多種語言，並覆蓋了多種語言範圍。IronOCR 套件提供有競爭力的授權模式，且在所有平台上僅需一個價格。此外，它包括一年免費的更新、功能升級和工程團隊的支援。IronOCR 是 Google 開發的 Tesseract 的最佳替代方案之一，且僅需幾行代碼便可方便實施。

IronOCR 提供免版稅的再分發權，適用於打包的軟體產品、SaaS 及 OEM。相比之下，其他 OCR 產品都是完全自選的，通常價格更高。這兩種產品的價位不同，其中 IronOCR 的起價為 $749。 這裡 詳細的授權和定價資訊。簡而言之，IronOCR 提供更多的功能且整體成本較低。