Tesseract替代方案（2022更新）

简介

Tesseract 最初由位于科罗拉多州格里利的惠普布里斯托尔实验室和惠普公司于 1985 年至 1994 年间创建。1996 年进行了更多改进，将其移至 Windows，并于 1998 年用 C++ 重写。惠普于 2005 年将 Tesseract 开放源代码。谷歌从 2006 年开始使用该软件。

Tesseract OCR 是谷歌技术栈图像分析 API 类别中的一个工具。它可以自动移除杂乱的背景，并能生成与扫描仪生成的 PDF 文件相媲美的 PDF 文件。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、数字图像和扫描的多页 PDF 文档中提取文本和字符。此外，还可将包含打字或打印文本的 PDF 文件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。ABBYY FineReader PDF 支持 PDF/A-1 至 PDF/A-3 的长期存档，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还能让专家在数字工作场所尽可能高效地工作。ABBYY FineReader将扫描文件整合到数字工作流程中，节省了管理和完成文件的时间和精力。 您无需转换 PDF 文件即可编辑文本、表格或整个布局。无论文档是如何生成的--无论是数字文档还是直接从硬拷贝生成的文档，该软件都能轻松、有条不紊地处理任何文档。该软件还能创建可编辑的 PDF 文件。

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

AWS OCR

作为机器学习 (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、表格和表格等扫描文档中准确、自动地提取内容。随后，Amazon Textract 会将信息输出为可编辑、有条理的文件格式。

假设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入 Excel 电子表格。通常的做法是使用数据录入人员手动完成这项任务，但事实证明这种做法往往杂乱无章、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要花费数小时来配置工具，以便从文件中提取数据。 (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从这些文档中获取文本、表格、键值对和表格。这样就无需进行耗时、昂贵的人工数据录入。

此外，Amazon OCR 还允许您使用成熟、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，你可以自由使用 iText 7 Core 和一定数量的附加组件。您也可以从各种商业许可证中选择替代方案。

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、法律存档等。该软件既有开源软件，也有商业软件。

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

腾讯云 OCR

腾讯云 OCR 技术可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字识别算法由腾讯优图实验室研发。它可用于透视失真、光照不稳定、部分遮挡等情况。它支持横向和纵向两种模式。通过提高准确度，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，准确度高、效率高。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。该软件可帮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。当用于商业目的时，开发团队会提供直接支持，并提供相关许可证。IronOCR 可快速将图像转换、创建、编辑、处理、压缩和图像增强等文档处理功能集成到应用程序中。

• 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。它能将 PDF 和图像等源材料转换为结构化数据记录。
• IronOCR 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。
• 它能纠正劣质扫描和照片。
• 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 可提供准确性、智能字符识别和分区识别功能，让你可以快速创建可编辑的文档。
• IronOCR 可将文档批量扫描为 PDF 格式，并自动识别所有语言的文本。此外，我们还可以手动设置自动识别哪种语言的文本。

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，支持各种方法的图像和 PDF 文档。它由 IronOCR 在 .NET Framework 背景下提供。此外，它还提供了许多参数来增强 Tesseract OCR 库的功能。同时使用多种语言的功能适用于多种语言。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，它还提供一年的免费更新、功能升级以及我们工程团队的支持。IronOCR 是谷歌开发的 Tesseract 的最佳替代产品之一，只需几行代码即可轻松实现。

IronOCR 附带免版税的再分发保护，这是软件打包产品、SaaS 和 OEM 所必需的。相比之下，其他 OCR 产品都是完全定制的，通常价格更高。两种产品的价位不同，IronOCR 的起价为 $749。 这里 是有关许可和定价的更多详细信息。简而言之，IronOCR 以较低的总体成本提供了更多的功能。