https://www.opennet.ru/openforum/vsluhforumID3/115708.html Опубликован (https://groups.google.com/forum/#!topic/tesseract-ocr/DgJDXg7ifDQ) релиз системы оптического распознавания текста Tesseract 4.0 (https://github.com/tesseract-ocr/tesseract/), поддерживающей распознавания документов на более чем 100 языках, включая русский, казахский, белорусский и украинский. Результат может сохраняться как открытым текстом, так и в форматах HTML, PDF и TSV. Изначально система была создана в 1985-1995 годы в лаборатории компании Hewlett Packard, в 2005 году код был открыт под лицензией Apache и в дальнейшем развивался при участии работников компании Google. Исходные тексты проекта распространяются (https://github.com/tesseract-ocr/tesseract) под лицензий Apache 2.0.<br><br><br><br><br>Основные улучшения (https://github.com/tesseract-ocr/tesseract/wiki/ReleaseNotes#tesseract-release-notes-oct-29-2018---v400) в Tesseract 4.0:<br><br><br>- Новый движок распознавания, базирующийся на применении системы машинного обучения на базе рекуррентной нейронной сети LSTM (https://ru.wikipedia.org/wiki/%D0%94% https://www.opennet.ru/openforum/vsluhforumID3/115708.html#79 Tue, 18 Dec 2018 21:51:39 GMT &gt; Как оно в сравнении с FineReader? При условии, что сканы хорошо читаемые и вёрстка без изысков.<br><br>Как? Всё, что не FineReader, до сих пор не умеет сохранять форматирование отсканированного текста.<br> https://www.opennet.ru/openforum/vsluhforumID3/115708.html#78 Fri, 16 Nov 2018 09:46:13 GMT Помню, как ко мне зашёл клиент и увидел на компе приглашение мс-дос 6.2 или 6.22 &#8212; не упомню. Резво попросил записать ему бут-дискетку. Потом жаловался, мол, гадость эта ваша новая дос, не хватает на дискете места под это, под то и во-о-н под то. А 3.3 &#8212; в самый раз, и ещё игрушка-бильярд помещается. Или покер. Снова жеж не упомню. Дискеты-то не мои были.<br> https://www.opennet.ru/openforum/vsluhforumID3/115708.html#77 Thu, 15 Nov 2018 12:56:46 GMT Последние несколько файнридеров распознают на странице то, чего там нет. Находят дефекты бумаги, дырки от дыроколов, мелкую рукописную пометку, подчёркивание и прочее. И всё это пытается обратить в печатный текст.<br>И хрен бы с ним, что получается плохо - он делает это в виде "надписей" (читай фрейма с текстом, поверх основного текста). Или они начинают пытаться повторять форматирование 1 в 1. Но получается половина текста в заголовке так, половина эдак. Текст нормально распознаёт, но начинает выдумывать форматирование.<br>Это всё черррртовски сложно потом удаляется, форматируется, приводится в состояние plain-text (так как смешивается текст с мусором) и т.д.<br><br>Так что я с нетерпением жду, когда тессеракт станет чуточку лучше в мелочах, ибо основной свой функционал он уже умеет достаточно неплохо. Проблема больше даже во внешних gui, которые пор юзабилити надо бы допилить немного.<br> https://www.opennet.ru/openforum/vsluhforumID3/115708.html#76 Wed, 07 Nov 2018 10:37:29 GMT Это как на скриншоте выше по дереву: https://www.opennet.ru/openforum/vsluhforumID3/115708.html#11<br> https://www.opennet.ru/openforum/vsluhforumID3/115708.html#75 Sun, 04 Nov 2018 15:48:44 GMT По архитектуре она Windows NT, как и более современные Windows'ы.<br> https://www.opennet.ru/openforum/vsluhforumID3/115708.html#74 Sat, 03 Nov 2018 17:37:51 GMT А заодно более убогие элеваторы процессов, I/O, неадекватный расход оперативки ни на что и неадекватное количество занимаемого места на винчестере.<br> https://www.opennet.ru/openforum/vsluhforumID3/115708.html#73 Sat, 03 Nov 2018 15:45:14 GMT OCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched<br>https://github.com/jbarlow83/OCRmyPDF<br> https://www.opennet.ru/openforum/vsluhforumID3/115708.html#71 Fri, 02 Nov 2018 21:40:51 GMT &gt; смесь русского и английского<br><br>Это как - английский со скрепами?<br> https://www.opennet.ru/openforum/vsluhforumID3/115708.html#68 Fri, 02 Nov 2018 19:13:07 GMT &gt; FineReader 4 (с другими не работал почти) умел объединять языки в любых <br>&gt; комбинациях. И распознавало нормально. В чём проблема для Тессеракта? (Вопрос не <br>&gt; риторический, серьёзно хочу понять, какие есть принципиальные отличия.) <br><br>Давно я очень работал с ФР, но помню, что и он путался в многоязычном тексте. Тессеракт умеет обрабатывать многоязычный, но сбивается в случаях слов, допускающих разл. толкования. Делу помогло бы наличие словарной проверки (о которой далее была речь) или, скажем, произвольного указания стат. весов для выбора в таких случаях, но этого то ли нет, то ли готового нет.<br><br>А вообще Тессеракт 4-й серии это приятнейшее открытие в СПО последних двух с лишним лет. Изрядно помогает в работе.<br>