目前有很多OCR工具或者类库都提供了准确率挺高的PDF和图片识别功能。在爬虫应用中,时常需要识别验证码或者目标站点处于数据保护而使用图片来替代直接的文本。除了直接的软件和类库外,还有一些在线工具可以直接识别,使用free online ocr
Googlr可以搜索到下面这几个:
- http://www.onlineocr.net/
- http://www.free-ocr.com/
- http://www.ocrconvert.com/
- https://www.newocr.com/
众多的工具中,有个wiki页面做了比较详细的比较:
详细内容请参考Comparison_of_optical_character_recognition_software。
在众多软件中,Google出品的Tesseract口碑不错,有些人认为是所有OCR软件中准确率最高的,甚至比一些商业软件还高。Google的