问指定光学字符识别的最佳方法是什么？

EN

我有一个完全可以理解的信息提取要求(发票号、发票数据、到期日、总数等)。从扫描发票(数字格式是图像，而不是PDF)，最好是Python。好的是，所需的信息或多或少肯定存在于页面上，而这些信息的(regexp类)文本格式也往往是后续的。另一方面，缺点是发票的布局非常多样。

我使用了以下可能的方法：

• 使用字符识别来提取纯文本，然后尝试与片段拼图。这种方法存在着相当大的问题: OCR的质量(至少是在tesseract库中已实现的OCR)相当平庸，输出是无可救药的非结构化的(实际上是一堆单词)，即使对于普通短语，也很难找到任何regexp或其他规则。
• 我的另一种方法是对原始图像本身或文本堆进行某种深度学习，在这种情况下，我们把繁重的工作留给网络，但在这种情况下，我不确定输出应该是什么？这是序列映射的某种序列吗？

确实是非常不寻常的任务。