Porovnání open-source OCR API na základě kvality výstupních formátů

Když inženýři hodnotí motory pro optické rozpoznávání znaků (OCR), obvykle dominují benchmarkům míra chyb znaků (CER) a míra chyb slov (WER). Přestože je přesnost rozpoznání nezbytná, řeší jen polovinu problému v produkci.

Pokud parsujete složité vícesloupcové PDF, extrahujete položky z účtenek nebo nahráváte whitepapery do LLM embedovacího pipeline, surové výpisy textu vytvářejí obrovské inženýrské zatížení. Řetězec znaků bez povědomí o rozvržení, logického pořadí čtení nebo souřadnicových dat nutí váš tým psát křehké heuristické parsovací nástroje.

Skutečným rozdílem moderních pracovních toků s dokumenty je kvalita výstupního formátu: jak konzistentně a čistě engine poskytuje souřadnice, pořadí čtení, strukturu hierarchie a tabulková data.

Níže je inženýrsky zaměřené srovnání čtyř předních open-source OCR engine—Tesseract, PaddleOCR, EasyOCR a Surya OCR—které hodnotí, jak se jejich výstupy chovají v automatizovaných pipelinech.

Běžné výstupní formáty: Co inženýři skutečně potřebují

Každé OCR API balí detekovaný text jinak. Porozumění těmto formátům pomáhá určit, kolik následného zpracování vaše pipeline vyžaduje:

• Plain Text (.txt): Nejjednodušší reprezentace. Odstraňuje veškerá poziční metadata a sloučí vícesloupcové rozvržení do horizontálního čtení, což může zamíchat odstavce.
• Archival Standards (hOCR, ALTO XML): Formáty založené na XML/HTML, standardní v knihovním archivování. Vkládají souřadnice, odhady písma a hodnocení důvěryhodnosti do uzlů DOM. Velmi robustní pro rekonstrukci dokumentů, ale objemné pro mikroservisy.
• Structured JSON: Výchozí volba pro moderní webové backendy. Poskytuje pole souřadnic (ohraničující rámečky nebo polygony), hodnocení důvěry a hierarchické struktury bloků/řádků/slov.
• Markdown (.md) / HTML Tables: Moderní standard pro Retrieval-Augmented Generation (RAG). Zachovává sémantické sekce (nadpisy, seznamy, tučný text) a tabulkové matice bez nutnosti následné prostorové rekonstrukce.

1. Tesseract OCR

Udržovaný společností Google, Tesseract zůstává základním pilířem open-source OCR. Jeho architektura se silně opírá o tradiční algoritmy segmentace stránek doplněné o LSTM‑založený znakový motor.

Nativní výstupní formáty

• Primární výstupy: Prostý text, hOCR (HTML), ALTO XML, TSV (Tabulkově oddělené hodnoty), a prohledávatelný PDF/A.
• Vědomí rozvržení: Heuristiky založené na pravidlech pomocí režimů segmentace stránky (PSM).

Analýza výstupního formátu

• Kde vyniká: Exporty TSV a hOCR z Tesseractu jsou standardizované a předvídatelné. Jeden export TSV vrací strukturované sloupce pro level, page_num, block_num, par_num, line_num, word_num, left, top, width, height a conf. Pokud převádíte papírové archivy na prohledávatelné PDF nebo potřebujete přísné dodržování institucionálních standardů, Tesseract to zvládne nativně bez vlastního lepidlového kódu.
• Kde selhává: Tesseract nemá nativní JSON API. Zpracování jeho výstupu v Pythonu nebo Node.js vyžaduje parsování XML/TSV souborů nebo použití obalů jako pytesseract. Jeho engine pro rozvržení také bojuje s nestandardním sloupcovým tokem, často míchá text z přilehlých sloupců, pokud nejsou poskytnuty ručně oříznuté ohraničující oblasti.

Tesseract Output Profile:
├── Plain Text: Clean for standard single-column pages
├── XML / hOCR: First-class, rock-solid support
├── JSON: Requires custom wrappers or TSV-to-JSON transforms
└── Markdown / Tables: Poor (requires custom reconstruction)

2. PaddleOCR

Podporovaný frameworkem PaddlePaddle od Baidu, PaddleOCR získal široké přijetí díky svým lehkým modelům, rozsáhlému vícejazyčnému pokrytí a specializovanému nástroji pro analýzu dokumentů (PP-Structure).

Nativní výstupní formáty

• Primární výstupy: Python seznamy/slovníky, surový JSON, vizualizační překryvy a strukturované HTML přes PP-Structure.
• Rozpoznání rozvržení: Vysoké (použitím modelů hlubokého učení pro analýzu rozvržení, klasifikaci orientace a obnovu tabulek).

Analýza výstupního formátu

• Kde vyniká: Standardní PaddleOCR vrací souřadnice čtyřúhelníkových polygonů ([[x1, y1], [x2, y2], [x3, y3], [x4, y4]]) spolu s textovými řetězci a skóre důvěry. To elegantně zpracovává zkosený nebo zakřivený text. Skutečná síla však spočívá v sadě PP-Structure, která detekuje oblasti rozvržení (nadpis, text, tabulka, obrázek) a přímo převádí tabulky na platné HTML řetězce (<table>...</table>). To eliminuje potřebu ručně počítat roztažení buněk z ohraničujících rámečků.
• Kde selhává: Základní API vrací vnořené pole, která postrádají standardní klíče vlastností napříč různými verzemi. Pro strukturované aplikace vývojáři obvykle píší mezilehlý adaptér, který standardizuje názvy polí (bbox, text, confidence).

PaddleOCR Output Profile:
├── Plain Text: Clean across multiple orientations
├── XML / hOCR: Limited (JSON is the preferred interchange format)
├── JSON: Highly detailed with 4-point polygons
└── Markdown / Tables: Excellent (direct HTML table generation via PP-Structure)

3. EasyOCR

Postavený na PyTorch od JaidenAI, EasyOCR je navržen pro rychlé přijetí vývojáři. Zabaluje CRAFT (Character Region Awareness for Text Detection) sítě hlubokého učení pro rozpoznávání do minimálního API.

Nativní výstupní formáty

• Primární výstupy: Python seznamy obsahující n‑tice souřadnic, rozpoznané řetězce a hodnoty důvěry.
• Vědomí rozvržení: Nízké až střední (pouze detekce řádků textu; žádná strukturovaná analýza na úrovni dokumentu).

Analýza výstupního formátu

• Kde vyniká: Jednoduchost návratového objektu je nepřekonatelná:

  [
      (
          [[x1, y1], [x2, y2], [x3, y3], [x4, y4]],
          "Total Balance Due",
          0.9842,
      )
  ]
  

Mapování tohoto výstupu na standardní REST odpověď nebo jeho serializace přímo do GeoJSON/vlastních schémat vyžaduje jen několik řádků kódu. Funguje spolehlivě na textu v přirozených scénách, poznávacích značkách a izolovaných výřezech dokumentů.

• Kde selhává: EasyOCR neprovádí holistickou analýzu rozvržení dokumentu. Neidentifikuje tabulky, hierarchii nadpisů ani pořadí čtení napříč složitými sloupci. Použití EasyOCR na dvousloupcové akademické práci často vytváří propletené úryvky textu, pokud není spárováno s předchozím modelem detekce rozvržení (například YOLO nebo LayoutLM).

EasyOCR Output Profile:
├── Plain Text: Good for isolated text blocks
├── XML / hOCR: Not supported natively
├── JSON: Trivial to generate from Python tuples
└── Markdown / Tables: None (requires external layout pipelines)

4. Surya OCR

Surya je moderní OCR framework založený na hlubokém učení, navržený speciálně pro komplexní porozumění dokumentům a LLM ingest pipeline.

Nativní výstupní formáty

• Primární výstupy: JSON struktury modelované pomocí Pydantic, indexy logického pořadí čtení, ohraničující oblasti rozvržení a polygony detekce řádků.
• Vědomí rozvržení: Výjimečně vysoká (analýza rozvržení založená na hlubokém učení a řazení čtecího pořadí).

Analýza výstupních formátů

• Kde vyniká: Surya přímo řeší výzvy moderního AI inženýrství. Místo předpokladu, že dokumenty se čtou shora dolů, zleva doprava, Surya nasazuje dedikovaný model pro předpověď čtecího pořadí. Skupinuje řádky do logických sémantických bloků, přirozeně zpracovává více sloupcové rozložení a výstupuje typované struktury pomocí Pydantic. To umožňuje přímý a spolehlivý downstream ingest do vektorových databází a konvertorů Markdown.
• Kde selhává: Jako novější, těžší framework založený na PyTorch, Surya vyžaduje dedikovaný GPU výpočet pro dosažení propustnosti optimalizovaných C++ motorů jako Tesseract nebo kvantizovaných modelů Paddle. Není zaměřena na starší archivní standardy jako hOCR nebo ALTO.

Surya Output Profile:
├── Plain Text: Naturally ordered according to human reading flow
├── XML / hOCR: Not supported
├── JSON: Fully typed, modern Pydantic schemas
└── Markdown / Tables: Clean semantic blocks ideal for Markdown synthesis

Matrice srovnání hlava‑v‑hlavu

Doporučení pipeline: Který si vybrat?

• Zvolte Tesseract pokud vaše požadavky na soulad vyžadují standardizované hOCR, ALTO XML nebo prohledávatelné PDF/A výstupy pro vládní nebo archivní záznamy.
• Zvolte PaddleOCR pokud zpracováváte provozní finanční dokumenty (faktury, účtenky, daňové formuláře) obsahující složité, bezokrajové tabulky, které je třeba převést do HTML nebo tabulek.
• Zvolte EasyOCR pokud potřebujete lehkou, Pythonic knihovnu pro detekci a extrakci textu z přirozených obrázků, dopravních značek nebo oříznutých UI prvků bez nutnosti konfigurace.
• Zvolte Surya OCR pokud vkládáte nestrukturované obchodní zprávy, výzkumné práce a technické příručky do LLM nebo vektorového vyhledávače, kde je logické pořadí čtení a čisté strukturální hranice naprosto zásadní.

Často kladené otázky (FAQ)

1. Který open‑source výstupní formát OCR je nejjednodušší pro napojení na velké jazykové modely?

JSON s ohledem na pořadí čtení od Surya OCR a HTML tabulky PP-Structure od PaddleOCR poskytují nejčistší reprezentace pro kontexty výzev LLM a indexování RAG.

2. Dokáže Tesseract nativně generovat JSON odpovědi bez použití nástrojů třetích stran?

Ne, Tesseract nativně výstupuje text, TSV, PDF a hOCR/ALTO XML; vytvoření JSON vyžaduje převod jeho výstupu TSV nebo hOCR pomocí mezilehlého parseru.

3. Jak se liší souřadnice 4‑bodového polygonu od osově zarovnaných ohraničujících rámečků?

Osy zarovnané rámečky používají [x, y, width, height] za předpokladu rovného textu, zatímco 4‑bodové polygonové tvary poskytují čtyři páry souřadnic pro přesné ohraničení otočených, zkosených nebo zakřivených řádků textu.

4. Který engine výstupuje struktury tabulek přímo do kódu místo volných souřadnic?

Modul PP-Structure v PaddleOCR rekonstruuje detekované hranice tabulek do kompletních HTML značek tabulky (<table>, <tr>, <td>), čímž se vyhýbá vlastní prostorové matematice.

5. Proč standardní výstup EasyOCR má potíže u vícesloupcových vědeckých prací?

EasyOCR identifikuje řádky textu na základě lokální blízkosti místo globální hierarchie rozvržení, což způsobuje proplétání textu z přilehlých sloupců, pokud není ohraničeno externím rozvrhovacím enginem.

Viz také

• Porovnání výstupních formátů OCR: TXT, PDF, PDF/A, XML, JSON
• Pochopení formátů OCR souborů – HOCR vs ALTO vs PDF/A vysvětleno
• Jaký je rozdíl mezi PDF a FDF?
• PDF vs Word: Který byste měli použít a kdy?
• Jak vybrat správný formát souboru pro rozpoznávání rukopisu (HTR)