mittagessen/kraken

OCR engine for all the languages

什麼是 kraken？

kraken 是一個開源的 OCR（光學字元辨識）工具包，專為數位化歷史文獻以及主流 OCR 引擎無法充分支援的非拉丁文字而設計。它整合了可訓練的版面分析器、閱讀順序偵測器，以及能處理由右至左、雙向與由上至下的神經網路辨識器。

主要功能

功能 重要性
完全可訓練的流程 – 您可以教導系統新的頁面版面、閱讀順序與字元集，這對於古籍、非拉丁字母或自訂字型至關重要。
雙向與垂直文字支援 – 支援阿拉伯文、希伯來文、CJK 垂直文字等。
多種輸出格式 – ALTO、PageXML、abbyyXML、hOCR 等，可直接嵌入數位圖書館工作流程。
單詞級邊界框與字元切割 – 提供細緻定位，有利於學術註解。
Zenodo 上的模型倉庫 – 一個公開的預訓練模型資料庫（例如印刷體法語、歷史字型），可透過單一指令取得。
可插入的網路架構 – 可根據速度或準確度需求更換辨識器的主幹。
跨平台 – 支援 Linux 與 macOS，可在 x86_64 與 ARM CPU 上執行。

快速入門（推薦安裝）

# 推薦：使用 pipx 建立隔離環境
sudo apt install pipx            # 在 Debian/Ubuntu 上
pipx install kraken               # 下載套件及其相依性

若偏好傳統虛擬環境：

python -m venv venv && source venv/bin/activate
pip install kraken               # 或從程式碼庫執行 `pip install .`

如需 PDF 或多圖像 TIFF 支援，請加入額外套件：

pip install kraken[pdf]

一行指令執行 OCR

kraken -i image.tif image.txt binarize segment ocr

此指令會自動執行三項操作：

  1. 二值化 圖像（使用 nlbin 算法）。
  2. 分段 頁面為文字行（基線分段器）。
  3. 辨識 文字，使用預設模型並輸出純文字檔。

您也可個別呼叫各步驟（例如：kraken -i img.tif bw.png binarize）。

使用自訂模型擴充

# 從公開的 Zenodo 收集中取得現成模型
kraken get 10.5281/zenodo.10592716

# 列出所有可用的社群模型
kraken list

針對自訂專案，您可在自己的標註資料上訓練新模型（完整工作流程詳見 https://kraken.re 的文件）。

誰在使用它？

kraken 由 eScripta 研究小組（École Pratique des Hautes Études, Université PSL）開發，並與 eScriptorium 網頁介面深度整合，提供訓練資料標註與推論的 GUI。該專案獲得多個歐盟研究計畫（ATRIUM、ERC MiDRASH、RESILIENCE，以及法國 ANR Biblissima+）資助，凸顯其在數位人文與文化遺產專案中的重要性。

更多資訊

TL;DR

kraken 是一個基於 Python、完全可訓練的 OCR 引擎，專為歷史文獻與非拉丁文字設計，提供端對端處理（二值化 → 版面分析 → 辨識）與開源模型庫。使用 pipx install kraken 安裝，取得模型後執行 kraken -i file.tif out.txt binarize segment ocr 即可開始數位化古籍。

相關

  • 專案
    Dicklesworthstone/franken_ocr

    franken_ocr 是一個純 Rust、僅 CPU 的 OCR 引擎，可執行百度的 Unlimited-OCR 及四個相關視覺-語言模型。它以單一可移植二進位檔（`focr`）形式發行，一次模型下載後即可完全離線運作，並提供 Markdown、JSON、圖表資料與 MusicXML 輸出。專案使用手寫 SIMD 內核，除經審核的 SIMD 島外禁止使用 unsafe Rust，並包含廣泛的自檢與發布認證腳本。

  • 專案
    qurator-spk/eynollah

    Eynollah is a Python library and command‑line tool for deep‑learning based document layout analysis, image binarization, enhancement, OCR, and reading‑order detection. It supports 10 layout classes, offers both CNN‑RNN and Transformer OCR models, outputs PAGE‑XML, and can be installed via PyPI or Docker. Pre‑trained ONNX models enable fast inference; full TensorFlow/PyTorch checkpoints are available for fine‑tuning. The project targets high‑quality processing of historical and heterogeneous scanned documents.

  • 專案
    PaddlePaddle/PaddleOCR

    PaddleOCR 是一個開源 OCR 與文件 AI 工具包，可將圖像/PDF 轉換為結構化、對 LLM 準備就緒的 JSON 或 Markdown。它提供多語言場景文本模型 (PP‑OCRv6)、用於處理表格、公式與古籍文字的輕量化視覺語言解析器 (PaddleOCR‑VL‑1.6)，以及結構感知型的 Pipeline (PP‑StructureV3)。模型可運行在 CPU, GPU, XPU, NPU 或透過 ONNX/TensorRT 運行，並與 Dify 和 RAGFlow 等 RAG/代理平台整合。

  • 專案
    deepdoctection/deepdoctection

    一個用於文件理解的 Python 函式庫，透過編排佈局分析、OCR 和標記分類，從 PDF 和掃描件中提取結構化數據。

  • 專案
    firecrawl/pdf-inspector

    pdf‑inspector 是一個帶有 Python、Node 和 WebAssembly 綁定的 Rust 庫，可快速分類 PDF（文字型、掃描型、混合型）並將其內容提取為帶位置資訊的 Markdown。分類耗時約 10–50 ms，提取耗時低於 200 ms，可選擇性地僅對需要的頁面添加輕量級 OCR。非常適合建構快速文件攝入管道、LLM 資料預處理或瀏覽器端 PDF 查看器。