ABBYY FineReader OCR Integration

Integration ABBYY FineReader для распознавания текста

ABBYY FineReader — коммерческий OCR-движок с одним из лучших качеств распознавания в индустрии, особенно для сложных документов: исторические материалы, сложная типографика, многоколоночные документы, смешанные языки. ABBYY предоставляет SDK (FineReader Engine, Cloud OCR SDK) для интеграции в бизнес-системы.

ABBYY Cloud OCR SDK

import requests
import time
import base64

class ABBYYCloudOCR:
    def __init__(self, app_id: str, password: str):
        self.app_id = app_id
        self.password = password
        self.base_url = 'https://cloud.ocrsdk.com'

    def process_image(self, image_path: str,
                       language: str = 'Russian,English',
                       output_format: str = 'txt') -> str:
        # Отправка задачи
        with open(image_path, 'rb') as f:
            response = requests.post(
                f'{self.base_url}/processImage',
                params={
                    'language': language,
                    'exportFormat': output_format,
                    'textType': 'normal'
                },
                data=f.read(),
                auth=(self.app_id, self.password),
                headers={'Content-Type': 'application/octet-stream'}
            )

        task_id = response.json()['taskId']

        # Ожидание результата
        while True:
            status = self._get_task_status(task_id)
            if status['status'] == 'Completed':
                return self._download_result(status['resultUrl'])
            elif status['status'] == 'ProcessingFailed':
                raise RuntimeError('ABBYY processing failed')
            time.sleep(1)

    def process_document(self, pdf_path: str,
                          language: str = 'Russian,English') -> dict:
        """Обработка многостраничного PDF с сохранением структуры"""
        with open(pdf_path, 'rb') as f:
            response = requests.post(
                f'{self.base_url}/processDocument',
                params={
                    'language': language,
                    'exportFormat': 'docx',     # сохраняет форматирование
                    'textType': 'typewritten'
                },
                data=f.read(),
                auth=(self.app_id, self.password),
                headers={'Content-Type': 'application/octet-stream'}
            )

        task_id = response.json()['taskId']
        return self._wait_and_download(task_id)

ABBYY FineReader Engine SDK (on-premise)

Для требований к локальной обработке данных — FineReader Engine:

# Псевдокод для FineReader Engine SDK (C++ binding через ctypes или SWIG)
import finereader_engine as fre

engine = fre.Engine()
engine.initialize(license_path='license.xml')

processor = engine.create_processor()
processor.add_image('scan.tif')
processor.set_recognition_language(['Russian', 'English'])
processor.set_output_format(fre.OutputFormat.TXT)

result = processor.recognize()
text = result.get_text()
engine.shutdown()

Когда выбирать ABBYY

ABBYY оправдан при:

• Исторические документы, старые шрифты (дореформенная русская орфография, готический шрифт)
• Многоколоночные газеты и журналы
• Документы с низким контрастом, пятнами, сложным фоном
• Требование конвертации PDF с сохранением форматирования (PDF/A, DOCX)
• Сравнительный тест на специфических документах: ABBYY выигрывает у cloud-сервисов

Сравнение с альтернативами

Режимы экспорта

ABBYY поддерживает экспорт в: TXT, DOCX, XLSX (таблицы), PDF/A (архивный PDF), XML (с координатами каждого слова), CSV, HTML. Для юридических документов PDF/A особенно важен: долгосрочный архивный формат.