OCR-модели для документов: Tesseract, PaddleOCR, EasyOCR и Docling

Какой результат вам нужен от OCR?

Для печатного текста на отдельном изображении нужен распознанный текст и, при проверке расположения слов, координаты. Для счёта или накладной результат сложнее: нужны строки таблицы, привязка сумм к полям и возможность сверить каждое значение с исходным листом. Tesseract даёт текст и форматы с позициями, но принимает изображение, а не PDF как входной документ; перед обработкой скана PDF страницу нужно подготовить как изображение s1s2. Docling решает более широкую задачу разбора документа и экспорта структуры, в том числе таблиц s5. Не путайте OCR с автоматическим заполнением 1С: извлечённый текст ещё нужно сопоставить с полями и проверить.

Начните с маленькой разрешённой выборки: читаемый скан с русским текстом и цифрами, страницу с таблицей, повернутую страницу и файл с плохим качеством. Для каждого подготовьте эталонные фрагменты и заранее отметьте критические поля — дату, номер, ИНН, сумму и строку товара. Никаких реальных клиентских документов в непроверенные сервисы; оценку удобно проводить локально на синтетических или согласованных обезличенных примерах.

Когда брать Tesseract OCR?

Tesseract — движок и CLI с языковыми файлами traineddata, а не готовая система понимания счета. Он поддерживает PNG, JPEG и TIFF, возвращает текст, TSV, hOCR или PDF с текстовым слоем. Русский код языка — rus, английский — eng; без явно выбранного языка в руководстве указан английский по умолчанию s1s2. Если у вас Linux или другая поддерживаемая установка, сначала проверьте наличие нужного языкового файла:

tesseract --version
tesseract --list-langs
tesseract ./test-page.png stdout -l rus+eng

По руководству stdout направляет результат в консоль, а -l выбирает языки; если rus отсутствует в --list-langs, получите русские traineddata через поддерживаемый способ установки для вашей ОС и повторите проверку s2. Это пример команды, а не исполненный Modelium прогон. Если цифры и буквы прочитаны, но колонки смешаны, не объявляйте распознавание таблицы успешным: проверяйте координаты TSV либо переходите к структурному разбору s1s4. Качество изображения и режим сегментации --psm могут менять результат; фиксируйте оба параметра при сравнении s1s2.

Когда сравнивать PaddleOCR и EasyOCR?

PaddleOCR объединяет детекцию и распознавание строк; его общий OCR-пайплайн предлагает варианты детекции, ориентации и распознавания s3. Важная развилка для русского: в закреплённой документации default — PP-OCRv6_medium, но таблица поддерживаемых языков относит ru к PP-OCRv5, а не к PP-OCRv6 s3. Поэтому для русского теста явно выбирайте ocr_version="PP-OCRv5" и lang="ru", сверяя поддержку именно вашей установленной версии; не выдавайте результаты дефолтной модели за русскоязычный тест s3. Авторские показатели точности разных релизов PaddleOCR нельзя механически сравнивать: документация предупреждает, что наборы оценки v6 и v5/v4 различаются s3.

EasyOCR — другой путь к детекции текста: пример автора возвращает прямоугольник, строку и оценку уверенности, а gpu=False допускает CPU-режим s7. Выберите в конфигурации нужные языки из документации движка; не предполагается, что произвольные языки можно комбинировать вместе: README предупреждает об ограничениях сочетаний. При первом запуске EasyOCR может скачать веса, поэтому для закрытого контура их подготавливают заранее; сама опция CPU не доказывает, что весь другой стек офлайн s7. Если вам нужен лишь текст и координаты на фото, сравните EasyOCR с Tesseract на одних и тех же изображениях, а не по чужим рекламным процентам.

Когда OCR недостаточно и нужен Docling или PP-StructureV3?

Docling разбирает PDF и другие форматы, описывает порядок чтения, структуру таблиц и экспортирует Markdown либо JSON; это конвейер обработки документов, а не отдельная OCR-модель s5. В его настройках можно выбрать разные OCR-движки, включая Tesseract и EasyOCR, поэтому фраза «Docling точнее Tesseract» без конкретного backend и корпуса ничего не означает s6. Для русского обязательно проверьте соответствие кодов: rus у Tesseract и ru у EasyOCR/других движков — не один универсальный параметр s2s6.

PP-StructureV3 решает близкую структурную задачу в экосистеме PaddleOCR: документация разделяет layout detection, общий OCR и модули таблиц/формул s4. Это альтернатива структурному пайплайну, не синоним обычного PP-OCR и не гарантия точности на русских УПД. Если исходный PDF уже содержит извлекаемый текст, сначала проверьте, нужен ли OCR вообще: повторное распознавание изображения может добавлять ошибки; решение проверяется на исходнике и экспорте, а не по названию инструмента.

Как проверить результат на своём железе?

Поставьте задачу до выбора модели: вход — сохранённые файлы с известными версиями; выход — проверенные текст, координаты и при необходимости таблица/поля. На одном и том же устройстве, с одинаковой выборкой и явно записанными версиями, языками, подготовкой изображения и конфигурацией сравните: (1) число верно прочитанных критических полей, (2) сохранение строк и колонок, (3) пропуски и подмены цифр, (4) время обработки и фактическое потребление RAM/VRAM. Решение о допустимом количестве ошибок и ручной проверке принимает владелец процесса. Размер скачанного файла модели не является минимумом RAM/VRAM.

Если качество скана, шрифт или таблица меняют исход, не переносите средний результат с чужого датасета на ваш. При отсутствии нужных языковых файлов либо незавершённой загрузке моделей остановите тест; при повреждённой таблице сохраните исходное изображение и исправленный эталон для повторной проверки. Установка и запуски на инфраструктуре Modelium не выполнялись. Следующий шаг: откройте сценарий распознавания документов для 1С и проверьте те же поля до передачи в учётную систему.