问是否有OCR的行业标准输出格式？

EN

没有这样一种格式，但有一些常用的实践和开放标准格式可以满足您的需求。这个问题就像是在问“烹调土豆的标准结果是什么”。土豆泥、薯条或烘焙食品(不知道这些例子来自哪里，我一定是饿了……)

此外，“行业标准”将取决于特定的行业。如果你在一个特定的垂直领域，那么一些格式将比其他格式更常见(几乎是标准格式)。例如：

• 医疗- HL7格式化文本
• 库- ALTO Image
• Integration/Automation - XML

下的-

• 文本

一般来说，如果我回答你的问题，我不会错的，最常用的和业界接受的格式是: TXT，XML，PDF (几种风格)。每种技术都有独特的属性和特定的用途，但由于开放的标准，每种技术都可以被其他技术广泛使用。

从另一端处理它更好，这意味着通过“业务需求”思考数据将发生什么，以及需要在哪里吸收数据，应该准确地定义您希望从OCR输出中使用哪种交接格式。

hOCR是一种开放标准，它定义了一种用于表示光学字符识别输出的数据格式。

XIEO (http://xieo.info)使用名为CML (Clix Markup Language)的(Maya Software)专有格式，可有效地对页面、区域、行、文本框和相关信息进行编码。VisualText/NLP++ (在http://www.textanalysis.com上可用)有一个特殊的记号赋予器传递，用于“吸入”该格式并生成现成的解析树。然后，NLP++分析器可以在该初始解析树的基础上构建。

此工作流在XIEO已经使用了5年多，主要用于处理官方记录文档(地契、抵押贷款、法院书记员等)并从中提取信息。

在此工作流程中，用户可以清理OCRed文本，重新分区以修复光学字符识别错误和错误分区，并从文本中提取相关信息。

Amnon Meyer，文本分析国际公司amnon.meyers@textanalysis.com首席技术官