Tesseract替代方案（2022更新）

介绍

Tesseract 最初由 HP Laboratories Bristol 和 HP Co. 位于科罗拉多州格里利。 1996 年进行了更多改进，将其移至 Windows，1998 年用 C++ 重写。惠普于 2005 年将 Tesseract 开放源代码。谷歌从 2006 年开始使用该工具。

Tesseract OCR 是谷歌技术栈图像分析 API 类别中的一款工具。它可以自动移除杂乱的背景，生成的 PDF 文件可与扫描仪生成的文件相媲美。 Tesseract 采用高精度光学字符识别技术，可将扫描的纸质文档转换为可搜索的数字文件。 它可以从相机照片、数字图像和扫描的 PDF 文档中提取多页的文本和字符。 此外，包含打字或打印文本的 PDF 文件也可以转换为计算机编码文本。

还有其他 OCR 软件(开源和专有的、基于网络服务的)这些工具都可以从图像文件和 PDF 文件中提取文本。 在本文中，我们将介绍几款可替代 Tesseract OCR 的 OCR 工具。

ABBYY FineReader PDF

ABBYY FineReader PDF 由 ABBYY 开发，是一款光学字符识别软件，可转换图像文件(如照片、扫描件和 PDF 文件)可将 Microsoft Word、Microsoft Excel、Microsoft PowerPoint、Rich Text Format、HTML、PDF/A、可搜索 PDF、CSV 和文本等可编辑的文件格式转换为 Microsoft Word、Microsoft Excel、Microsoft PowerPoint 和屏幕截图。(纯文本).

ABBYY FineReader PDF 可以直接从纸质文档、超过 25 种不同的文件类型生成 PDF 文件，或从几乎任何程序发布到 PDF 打印机。 PDF/A-1 至 PDF/A-3 支持长期存档，而 PDF/UA 则确保在使用屏幕阅读器等辅助技术时可以访问内容。

此外，ABBYY FineReader PDF 使专家们能够在数字工作场所尽可能高效地工作。 ABBYY FineReader 可将扫描文件集成到数字工作流中，从而在管理和完成文档时节省时间和精力。 您无需转换 PDF 即可编辑文本、表格或整个版面。 无论文档是如何生成的--无论是数字文档还是直接来自硬拷贝的文档，该软件都能轻松、有条不紊地处理任何文档。 该软件还可以创建可编辑的 PDF 文件。

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

AWS 文字识别

作为一名机器学习(ML)Amazon Textract 可从任何扫描文档中提取文本、手写体、表格和其他数据。 它使用深度学习技术从 PDF、照片、表格和表单等扫描文档中准确、自动地提取内容。 之后，Amazon Textract 会将信息输出为可编辑、有条理的文件格式。

考虑这样一种情况：一家公司需要将来自许多公司的发票硬拷贝中的相关信息转移到 Excel 电子表格中。 使用数据录入人员手动完成这项任务是很常见的，但事实证明这种方法往往杂乱无章、耗时且容易出错。 此外，使用某些 OCR 软件解决方案的其他公司往往会花费数小时配置其工具，以便从文档中提取数据。(每当其格式发生变化时，往往需要更新).

有了 Textract，公司只需将我们的发票上传到网络服务，就能以更有条理的格式获得这些文档中的文本、表单、键值对和表格。 这样就不需要人工、耗时和昂贵的数据录入过程。

此外，亚马逊 OCR 还允许您使用经过验证、高度可扩展的深度学习技术，轻松地将图像和视频分析添加到您的应用程序中，而无需任何机器学习专业知识。

iText

iText 是一款终端用户 OCR 程序，可使用多个业界领先的 OCR 引擎处理扫描图像。 根据开源 AGPL 条款，您可以自由使用 iText 7 Core 和一定数量的附加组件。 对于替代方案，您也可以选择各种商业许可替代方案。

iText 集团的产品包括 iText 7 Suite 和 iText DITO，是 PDF 技术领域的全球领导者。 该公司开发的 PDF 软件技术先进、屡获殊荣，被全球数百万客户用于创建各种用途的数字文档，包括发票、信用卡账单、移动登机牌、法律归档等。 该软件既有开源软件，也有商业软件。

iText 集团还提供 iText 7 Suite，这是一个完整的开源 PDF SDK，包含 iText 7 Core 和可选的附加组件，可实现最大的自由度和生产力。

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。 它的可靠性和平均准确率超过 95%（印刷文本）和 90%（手写材料）。 OCR 技术的文档分析和文本识别算法由腾讯优图实验室开发。 它可用于涉及透视失真、照明不稳定、局部遮挡等情况。 它支持横向和纵向模式。 为了提高准确性，该技术可以区分中文文本、英文文本、中英文文本、数字和特殊符号。 它为开发人员提供了多种可直接调用的 API 以及易于使用的 SDK。

IronOCR

IronOCR 是一款 OCR 文本识别和文档扫描应用程序，具有高度准确性和高效性。 在 IronOCR for .NET 的帮助下，软件开发人员可以在 .NET 应用程序和网页中读取图像和 PDF 中的文本。 该软件可辅助文本和条形码扫描图像，支持多种外语，并可生成纯文本或结构化数据输出。 Web、控制台、MVC 和各种 .NET 桌面应用程序都可以使用 Iron Software 的 OCR 库。 如果用于商业目的，则在提供相关 License 的同时，提供开发团队的直接支持。 IronOCR 可将图像转换、创建、编辑、操作、压缩和图像增强等文档处理功能快速集成到应用程序中。

• IronOCR 使用最新的 Tesseract 5 引擎，可以读取任何 PDF 格式的文本、条形码和 QR 码。 有了这个库，在桌面、在线和控制台应用程序中添加 OCR 就变得简单快捷。
• IronOCR 具有数据捕获功能，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 PDF 和图像等原始资料转换为结构化数据记录。
• IronOCR 共支持 127 种国际语言。 还支持自定义语言和单词表。
• 使用 IronOCR 可读取 20 多种条形码和 QR 码格式。
• 它支持 TIFF 和 GIF 多页图像格式。
• 它可以纠正质量较差的扫描件和照片。
• 它允许多线程操作。 它还可以同时运行一个或多个进程。
• 页面、段落、行、单词、字符等都可以接收 IronOCR 输出的结构化数据。
• IronOCR 支持 Windows、Linux、macOS 等操作系统。
• 它可以从 PDF 或 JPEG 文件以及其他各种文档中提取信息。
• IronOCR 具有准确性、智能识别字符和分区识别功能，因此您可以快速创建可编辑的文档。
• IronOCR 可将文档批量扫描为 PDF，并自动识别所有语言的文本。 另外，我们也可以手动设置自动识别文本的语言。
  

  下面是对图像文件执行 OCR 的示例代码。

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

点击这里了解有关 IronOCR 的更多教程。

结论

Tesseract 易于使用，支持图像和 PDF 文档等多种方法。 它由 IronOCR 在 .NET Framework 的背景下提供。 此外，它还提供了一些参数来增强 Tesseract OCR 库的功能。 译员可以同时使用多种语言。 IronOCR 软件包以单一价格为所有平台提供有竞争力的许可和支持。此外，它还附带一年的免费更新、功能升级和我们工程团队的支持。 IronOCR 是谷歌开发的 Tesseract 的最佳替代品之一，只需几行代码即可轻松实现。

IronOCR 附带打包软件产品、SaaS 和 OEM 所需的免版税再分发保障。 相比之下，其他 OCR 产品都是完全定制的，通常价格较高。两种产品的价位不同，IronOCR 的起价为 $749。 这里如需了解有关许可和定价的更多详情，请联系我们。 简而言之，IronOCR 以总体较低的成本提供了更多的功能。