最后更新: 20 Aug, 2026
比较开源 OCR API 的输出格式质量 当工程师评估光学字符识别(OCR)引擎时,字符错误率(CER)和词错误率(WER)通常主导基准测试。虽然识别准确率至关重要,但它在生产环境中只能解决一半的问题。
如果您正在解析复杂的多列 PDF、从收据中提取项目行,或将白皮书导入 LLM 嵌入流水线,原始文本转储会产生巨大的工程开销。没有布局感知、逻辑阅读顺序或坐标数据的字符字符串会迫使您的团队编写脆弱的启发式解析器。
现代文档工作流的真正区别因素是 输出格式质量:引擎在提供坐标、阅读顺序、结构层次和表格数据方面的一致性和清晰度。
以下是针对四个领先的 开源 OCR 引擎——Tesseract、PaddleOCR、EasyOCR 和 Surya OCR——进行的面向工程的比较,评估它们的输出在自动化流水线中的表现。
常见输出格式:工程师真正需要的 每个 OCR API 对检测到的文本的打包方式各不相同。了解这些格式有助于确定您的流水线需要多少后处理:
纯文本 (.txt): 最简的表示方式。它会去除所有位置信息元数据,并将多列布局压缩为水平读取,这可能会打乱段落。 归档标准 (hOCR, ALTO XML): 基于 XML/HTML 的格式,是图书馆归档的标准。它们在 DOM 节点中嵌入坐标、字体估计和置信度评分。对于文档重建极其稳健,但对微服务而言体积庞大。 结构化 JSON: 现代 Web 后端的默认选择。提供坐标数组(边界框或多边形)、置信度评分以及层次化的块/行/词结构。 Markdown (.md) / HTML 表格: 检索增强生成(RAG)的现代标准。保留语义章节(标题、列表、粗体文本)和表格矩阵,无需下游空间重建。 1. Tesseract OCR 由 Google 维护,Tesseract 仍然是开源 OCR 的基础主力。其架构在传统页面分割算法的基础上,辅以基于 LSTM 的字符引擎。
本机输出格式 主要输出: 纯文本、hOCR(HTML)、ALTO XML、TSV(制表符分隔值)和可搜索的 PDF/A。 布局感知: 基于规则的启发式方法,通过页面分割模式(PSM)。 输出格式分析 优势所在: Tesseract 的 TSV 和 hOCR 导出是标准化且可预测的。单个 TSV 导出会返回结构化列,包括 level、page_num、block_num、par_num、line_num、word_num、left、top、width、height 和 conf。如果您正在将纸质档案转换为可搜索的 PDF,或需要严格遵守机构标准,Tesseract 能够原生处理,无需自定义粘合代码。 不足之处: Tesseract 没有原生的 JSON API。在 Python 或 Node.最后更新: 20 Aug, 2026
历史和手写文档的 OCR 文件格式 通过数字化保存文化遗产已进入复兴时期。早期的光学字符识别(OCR)系统旨在解析整洁的、机器印刷的二十世纪文件,而现代文化遗产机构面临更为混乱、更加丰富的挑战:中世纪手稿、十九世纪的草写信件、易碎的彩绘卷轴以及百年老登记册。
转录历史文献不再仅仅是提取纯ASCII文本。它需要捕获上下文——页面的物理几何形状、基线曲线、渗透校正、边注、缩写以及古文字学的不确定性。这个专门领域通常归类于手写文本识别(HTR),在很大程度上依赖于用于存储和交换图像坐标及文本层的文件格式。
选择错误的模式可能会剥夺关键的基线数据,破坏与 IIIF(International Image Interoperability Framework)清单的对齐,或阻碍长期数字保存。以下是一份关于历史文献的主流 OCR 与 HTR 文件格式的权威指南,涵盖它们的结构优势以及如何为您的档案流水线确定最佳选择。
历史困境:为什么纯文本和标准PDF会失败 机器打印的 OCR 通常输出简单的 .txt 文件或带有隐藏文本层的"夹心" PDF(位于扫描图像下方)。对于历史手稿和连笔手写,这些输出因以下三个核心原因而失效:
非线性文本和复杂布局: 历史抄写员并未遵循整齐的矩形网格。文本会流入页边,环绕装饰首字母,穿插于插入的行间批注之间,或沿书脊垂直排列。 弯曲和倾斜的基线: 草写文字很少遵循严格的水平轴线。像 Transkribus、Kraken 和 eScriptorium 这样的手写文本识别(HTR)引擎依赖多段线基线,而非边界框,以解释连字密集的手稿。 古文字学复杂性与元数据: 档案研究需要追踪缩写、历史拼写变体、损毁的读法以及行级置信度分数。标准文档格式会丢弃这些细粒度信息。 为了保持对原始文物的忠实,档案界依赖于旨在在转录文本的同时保留布局拓扑的结构化 XML 架构。
1. PAGE XML:手写文本识别(HTR)的黄金标准 由 PRImA(模式识别与图像分析)研究实验室开发的 PAGE XML(页面分析与真值元素),被广泛认为是手写文本识别和高级布局分析的最先进格式。
核心架构 PAGE XML 将实体文档视为层级结构:
PcGts(根) Page (图像尺寸和整体阅读顺序) TextRegion (段落、标题、边注、页首词) TextLine Coords (围绕该行的多边形坐标) Baseline (一系列沿文字真实基线的点) TextEquiv (识别的文本,可选的置信度指标) 为何它在历史手稿中表现出色 多边形和折线精度: 与其将字符强制放入矩形边框,PAGE XML 使用多点多边形边界和连续基线。这可以防止重叠的连笔上升部和下降部干扰分割。 细粒度结构类型: 区域可以精确分类(例如 marginalia、drop-capital、signature-mark、header、editorial-note)。 广泛的软件生态系统: 它作为旗舰 HTR 平台(如 Transkribus、eScriptorium 和 Kraken)的主要内部和导出模式。 2.