OCR文字識别其實可以算很老的技術了，一二十年前購買掃描儀的時候就配有文字識别軟件，記得用起來比較勉強，在比較複雜的中英文混排、版面不規則的情況下，很難獲得滿意的識别效果。
這幾年我們在做Web展示網站的時候，有些原始資料隻有掃描件，嘗試過OCR軟件識别或者網上的OCR識别服務，但都不理想，而手工錄入、校對的工作量太大，也擱置下來了。
近期看到新聞，說騰訊OCR服務永久免費，就去網上看了看（先罵一句百度：在百度中搜“騰訊OCR API”，結果是無關企業的OCR廣告排在前面、百度自己的OCR服務接着出現，而把騰訊公司的OCR相關信息排在後面），現在的OCR已經引入了大數據、雲計算、人工智能、機器學習等新概念，具體請看：CRUX OCR。
以及百度自己也推出OCR服務，免費的已經在API集市中下架關閉，剩下收費的百度OCR文字識别企業版，價錢不算貴，但使用起來還是需要一些技術水平的，畢竟需要編寫程序去調用接口。
騰訊的服務中有一個“在線體驗”可以方便地上次圖片或者提供網上圖片URL來進行識别，試用了一下效果還可以，不是很大的圖片幾秒就可以識别返回文字，正确率隻能說馬馬虎虎，即使達到90%以上，但剩下的百分之幾錯誤也顯得相當刺眼。
很多年前在做Wiki網站的時候上傳了一批光盤上找到的圖片，集合成《民間秘術大全》，以前是700多個圖片文件（例如：第11頁），人工添加了目錄（例如：“名硯秘識”），一直沒有辦法做文字識别，現在用騰訊的免費OCR體驗服務進行了一部分圖片的識别，對明顯的标題錯誤等進行了修改，但内容确實沒有太多時間來矯正，就先把文字放在圖片一起讓用戶參考，校對的事情以後再說。
以後API更成熟了、正确率更高了，我們也用熟悉了的話，可以用于識别數據量更大的企業名錄等領域。
评论