是否有OCR的行业标准输出格式?我似乎找不到任何被定义为行业标准的东西，我对OCR也不是很有经验，所以我也不知道是否有一个标准。
hOCR是一个开放标准，它定义了OCR输出的数据格式。
没有这样一种格式，但是有一些常用的实践和开放标准格式可以满足您的需求。这个问题就像问"煮土豆的标准结果是什么"。土豆泥，炸薯条，或烤(不知道这个例子是从哪里来的，我一定是饿了…)
同样，"行业标准"将取决于具体的行业。如果您处于特定的垂直领域，那么某些格式将比其他格式更常见(几乎是标准)。例如:
- Medical - HL7格式文本
- Libraries - ALTO PDF
- 法律/电子发现- PDF文本下的图像
- 集成/自动化- XML
从相反的一端接近它是更好的，这意味着通过"业务需求"来思考数据会发生什么，它需要被吸收在哪里，应该准确地定义你想从OCR输出中使用的交接格式。
XIEO (http://xieo.info)使用(玛雅软件)专有格式称为CML (Clix标记语言)，有效地编码页面，区域，行，文本框和相关信息。VisualText/NLP++(可在http://www.textanalysis.com获得)有一个特殊的标记器通道来"吸收"该格式并生成现成的解析树。NLP++分析器可以在初始解析树的基础上构建。
这个工作流程在xie已经使用了5年多，主要用于处理官方记录文件(契据、抵押、法院书记等)并从中提取信息。
在此工作流程中，可以清理oced文本，重新分区以修复OCR错误和错误分区，并从文本中提取相关信息。
Amnon Meyers, CTO, Text Analysis International, Inc . amnon.meyers@textanalysis.com