VietOCR: распознавание изображений и PDF через Tesseract

VietOCR — настольный графический интерфейс к движку Tesseract OCR, ориентированный на распознавание текста из сканов, изображений и PDF без обязательной облачной обработки. Проект особенно известен поддержкой вьетнамского языка и встроенной постобработкой для типичных OCR-ошибок, но его назначение шире: он использует языковые данные Tesseract, умеет работать с многостраничными документами, областью распознавания, пакетной очередью и командной строкой. Актуальная Java-ветка продолжает развиваться: версия 6.21.0 датирована 27 июля 2026 года, основана на Tesseract 5.5.3 через Tess4J 5.20.0 и собрана с целевой Java 17.

Важно не путать два параллельных продукта. В этом обзоре под VietOCR понимается прежде всего Java-приложение VietOCR. Отдельная VietOCR.NET — самостоятельная Windows-сборка с собственной нумерацией; на ту же дату её актуальная версия — 6.17.0. Возможности похожи, но зависимости, способ запуска и часть PDF-стека различаются, поэтому требования одной редакции нельзя механически переносить на другую.

Скачать VietOCR

Безопасный путь получения текущей Java-редакции — официальный проект VietOCR на SourceForge, раздел Files, ветка vietocr, каталог 6.21.0. В нём опубликован архив VietOCR-6.21.0.zip размером 22,6 МБ и короткий файл с изменениями релиза. Это архив приложения, а не традиционный установщик Windows. Для проверки, что скачана именно актуальная ветка, достаточно сверить имя файла, номер 6.21.0 и дату публикации конца июля 2026 года.

На верхнем уровне того же проекта SourceForge кнопка «latest» может предлагать VietOCR.NET, потому что площадка выбирает один общий «последний файл» для проекта. Это не означает, что .NET-сборка заменила Java-приложение. Для обзора и установки VietOCR нужно заходить именно в каталог vietocr. Каталог vietocr.net относится к отдельной Windows-редакции; её текущий архив называется VietOCR.NET-6.17.0_64.zip и имеет размер 12,4 МБ.

Что такое VietOCR

VietOCR — не самостоятельный OCR-движок и не полноценный PDF-редактор. Это оболочка, которая связывает пользовательский интерфейс, средства импорта изображений, управление языковыми моделями, постобработку и пакетные операции с Tesseract. Для пользователя это снимает необходимость собирать каждую команду Tesseract вручную: изображение можно открыть или перетащить, выбрать язык и область, выполнить распознавание, затем отредактировать результат в текстовой панели.

Проект сопровождает Quan Nguyen. На официальной странице VietOCR указан старт проекта в июне 2008 года, а репозиторий Java-ветки ведётся под именем VietOCR3. Текущий статус — активный, а не архивный: в 2025–2026 годах выходили последовательные обновления Tesseract, Tess4J, Lept4J и других зависимостей, а 6.21.0 появилась всего через несколько дней после релиза Tesseract 5.5.3.

Название VietOCR исторически подчёркивает вьетнамское направление, но программа не ограничена одним языком. Она работает с языковыми пакетами Tesseract и позволяет устанавливать дополнительные traineddata. Английские и вьетнамские данные поставляются с проектом, а другие языки добавляются отдельно. Для вьетнамского предусмотрена собственная постобработка, поддерживаются пользовательские схемы замен и словари Hunspell.

Базовая модель работы локальная. Документация описывает запуск локального Java-приложения, локальные каталоги tessdata и dict, локально установленный Tesseract на Linux и встроенный Windows-бинарник Tesseract. Учётная запись VietOCR для распознавания не требуется. Сетевой доступ появляется главным образом в функции загрузки языковых пакетов; само распознавание не позиционируется как удалённый сервис.

Основные функции VietOCR

Распознавание изображений и языковые данные

Основная функция — извлечение текста из растровых изображений и страниц документов через Tesseract. В качестве входа заявлены PDF, TIFF, JPEG, GIF, PNG и BMP. Для TIFF поддерживаются многостраничные файлы, что удобно для сканов книг и архивных дел. Язык OCR выбирается отдельно, а Tesseract допускает комбинирование языков; в командной строке VietOCR соответствующий параметр передаётся через опцию языка.

Дополнительные языковые данные устанавливаются в каталог tessdata. В графическом интерфейсе есть функция Download Language Data, которая загружает выбранные пакеты и помещает их в каталог данных. Если tessdata находится внутри защищённой системной папки, приложению может потребоваться право записи. Более безопасная организация — держать переносимую копию VietOCR и языковые данные в каталоге, где обычный пользователь имеет права, если это соответствует политике компьютера.

Область распознавания, скриншоты и подготовка изображения

VietOCR позволяет ограничить OCR прямоугольной областью, выделенной мышью. Это полезно, когда на странице много иллюстраций, колонок или служебных элементов и нужен только один фрагмент. В программе также предусмотрен Screenshot Mode: документация описывает его как режим для низкоразрешённых экранных изображений, которые перед OCR масштабируются до эквивалента 300 DPI. Поддерживается вставка изображения из буфера обмена и drag-and-drop файла.

Пакетная обработка и наблюдаемая папка

Кроме одиночного файла, программа поддерживает Bulk и Batch-сценарии. В режиме наблюдаемой папки VietOCR отслеживает появление новых изображений во входном каталоге, запускает OCR и помещает результат в выходной каталог. Такой режим подходит для небольшого локального конвейера, когда сканер или другая программа регулярно складывает страницы в одну папку.

Постобработка и проверка текста

Результат OCR можно править в текстовой области. Проект предусматривает поиск и замену, корректировку регистра, удаление лишних переносов строк и постобработку. Для пользовательских замен используется UTF-8-файл вида x.DangAmbigs.txt, где x — трёхбуквенный ISO-код языка. Поддерживаются обычные и регулярные выражения, поэтому повторяющиеся ошибки конкретного шрифта или сканера можно исправлять автоматически.

Проверка орфографии построена на Hunspell. Словарю нужны файлы .aff и .dic в каталоге dict; пользовательский словарь user.dic хранится в UTF-8 по одному слову на строку. Эта схема полезна для терминологии, фамилий, топонимов и архивных словоформ, но словарь не решает смысловые ошибки: корректное, но неверно распознанное слово всё равно требует сверки с изображением.

Командная строка и структурированные выходы

VietOCR можно запускать как консольное приложение. Текущий README Java-ветки показывает форму команды с входным и выходным файлом, выбором языка, режима сегментации страницы и формата результата. Среди выходов перечислены text, hocr, pdf, pdf_textonly, unlv, box, alto, page, tsv, lstmbox и wordstrbox.

Работа с многостраничными файлами

Встроенные инструменты умеют объединять несколько изображений или PDF в один файл для последовательной обработки, а также делить TIFF или PDF на части. Разбиение имеет практическое значение для больших документов: документация прямо предупреждает, что слишком много страниц может привести к ошибке нехватки памяти. Вместо попытки распознать сотни тяжёлых страниц одним блоком можно разделить документ на управляемые части, обработать их и проверить результаты отдельно.

Интерфейс и удобство использования

Графическая Java-версия использует классическую компоновку Swing. На официальном скриншоте слева расположена страница-изображение, справа — распознанный текст. Верхняя строка меню включает File, Command, Image, Format, Settings, Tools и Help; рядом находятся кнопки открытия, сканирования, сохранения и OCR, а также выбор языка. Такая схема хорошо соответствует самой задаче: оригинал и результат видны одновременно и не требуют переключения между отдельными окнами.

В области изображения доступны масштабирование и выделение региона интереса. Для многостраничных документов предусмотрена навигация по страницам и миниатюры в ветках программы, где эта функция включена. Правая панель ведёт себя как текстовый редактор: после распознавания текст можно корректировать, искать, заменять и пропускать через форматирующие операции постобработки.

Русский язык указан среди локализаций проекта, а сам OCR для русского определяется наличием соответствующего traineddata Tesseract. Интерфейсная локализация и язык распознавания — разные сущности: русские меню не устанавливают автоматически русскую модель OCR, и наоборот. Это различие стоит учитывать при первом запуске, особенно если программа открывается на одном языке, а распознавать нужно документ на другом.

Поддерживаемые форматы и совместимость

Для Java-ветки актуальный README указывает PDFBox как средство поддержки PDF. Это важно из-за расхождения со старой страницей usage на сайте проекта, где ещё описана настройка GPL Ghostscript. Для текущего VietOCR 6.21.0 разумнее ориентироваться на репозиторий Java-ветки и её фактические зависимости, а инструкции Ghostscript не переносить автоматически. У VietOCR.NET ситуация иная: README WPF-ветки по-прежнему перечисляет GPL Ghostscript среди зависимостей.

Сканирование на Windows реализовано через Windows Image Acquisition, а на Linux документация описывает SANE и стандартные пакеты sane/libsane. Возможность сканировать зависит не только от VietOCR, но и от драйвера устройства, доступности WIA или SANE и прав пользователя. Если сканер удобнее обслуживать отдельной программой, результат можно сохранить в PNG/TIFF/PDF и открыть в VietOCR. Для простого сценария «сканировать и получить PDF» без акцента на OCR на сайте есть отдельный обзор WinScan2PDF.

Производительность и стабильность

Разработчик не публикует универсального эталона скорости или минимального числа ядер и гигабайт памяти для VietOCR. Время обработки зависит от Tesseract, разрешения страницы, языка, режима сегментации, количества страниц и качества изображения. Поэтому корректнее оценивать производительность по задаче, а не по обещанной цифре. Текущий релиз обновляет Tesseract до 5.5.3 и Tess4J до 5.20.0, но сам факт новой версии не означает одинакового ускорения на всех документах.

В руководстве проекта рекомендуется исходный скан примерно 200–400 DPI; типичным значением названо 300 DPI для чёрно-белого или серого изображения. Увеличение разрешения выше этого диапазона не гарантирует лучшего OCR, но увеличивает объём растровых данных и нагрузку на память. Для низкоразрешённых скриншотов предусмотрен Screenshot Mode с масштабированием до 300 DPI.

Главное документированное ограничение для крупных файлов — возможная нехватка памяти. Именно поэтому в VietOCR есть разбиение больших PDF и TIFF на части. В старом руководстве также советовалось при out-of-memory запускать специальный скрипт ocr вместо прямого вызова JAR, но для современной 6.21.0 практичнее сначала уменьшить размер задачи и проверить параметры JVM, не рассчитывая на устаревшие значения памяти из старых инструкций.

Лицензирование и версии

VietOCR распространяется по Apache License 2.0. Это бесплатная открытая программа без платной редакции, подписки и ограниченного пробного периода. Проект не делит функции на Free и Pro и не требует продуктовой регистрации для локального запуска. Исходный код Java-ветки доступен в публичном репозитории VietOCR3.

Актуальная Java-версия 6.21.0 и VietOCR.NET 6.17.0 выпускаются отдельно. Одинаковое название проекта на SourceForge не означает единую бинарную сборку. Java-вариант многоплатформенный и запускается через JVM; .NET-вариант построен на WPF, рассчитан на Windows и требует .NET Framework 4.8, Microsoft Visual C++ v14 Redistributable и Ghostscript по текущему README этой ветки.

Системные требования

Windows

Для актуального VietOCR 6.21.0 релизная запись задаёт target Java 17 и прямо сообщает об отказе от Windows 32-bit. Следовательно, текущую Java-сборку нужно планировать под 64-битную Windows с Java 17 или новее. В README проекта также указан Microsoft Visual C++ v14 Redistributable. Windows-бинарник Tesseract поставляется вместе с программой, поэтому отдельная установка Tesseract для базового Windows-сценария обычно не является первым шагом.

Linux и Unix-подобные системы

Java-ветка позиционируется как многоплатформенная. Для текущего релиза нужна Java 17 или новее; Tesseract на Linux устанавливается отдельно. В руководстве приведены пакеты tesseract-ocr, tesseract-ocr-eng и tesseract-ocr-vie для Debian/Ubuntu. Если языковые данные находятся не в стандартном месте, путь задаётся через TESSDATA_PREFIX. Для встроенного сканирования дополнительно нужны SANE-компоненты.

macOS и другие платформы

Официальная страница проекта относит Java-версию к многоплатформенной и перечисляет macOS, Solaris, Linux/Unix, Windows и другие системы. При этом актуальная документация не публикует конкретного минимального номера macOS и не даёт столь же подробной инструкции для неё, как для Windows и Linux. Поэтому нельзя добросовестно назвать минимальную версию macOS или гарантировать конкретный пакетный способ установки Tesseract без отдельной проверки среды.

Для VietOCR не опубликованы современные минимальные требования к объёму RAM, частоте процессора или видеокарте. Любые точные цифры в сторонних каталогах следует воспринимать как сведения о конкретной старой сборке, а не как официальное требование версии 6.21.0.

Карта критических зависимостей

Хронология развития и поддержки

2008: проект VietOCR начинает публичную жизнь как графический фронтенд для Tesseract с акцентом на вьетнамское распознавание. В дальнейшем Java и .NET получают параллельные интерфейсы и собственные номера версий.

2025: VietOCR 6.17.0 обновляется до Tesseract 5.5.1 и Tess4J 5.16.0. Это подтверждает, что проект не остался на поколении Tesseract 3/4, несмотря на большое количество старых инструкций в интернете.

2026: версия 6.19.0 переходит на Tesseract 5.5.2; 6.20.0 обновляет Tess4J 5.19.0, Lept4J 1.24.0 и прочие зависимости; 6.21.0 поднимает Tesseract до 5.5.3, Tess4J до 5.20.0, задаёт target Java 17 и исключает 32-битную Windows. Для актуальной статьи именно эти сведения должны иметь приоритет над старой документацией Java 8.

Паспорт обратимости операций

VietOCR удобнее использовать по принципу «исходник отдельно, результат отдельно». Консольный синтаксис принимает imagefile и outputfile как разные аргументы, поэтому безопасный автоматизированный маршрут — не перезаписывать исходное изображение, а создавать новый файл результата. Та же дисциплина полезна в GUI: оригинальный PDF/TIFF хранить неизменным, а распознанный текст, hOCR или поисковый PDF сохранять как производную копию.

Перед обновлением или переносом VietOCR стоит сохранить пользовательские файлы из dict, собственные DangAmbigs-правила, дополнительные traineddata и нестандартные конфигурации Tesseract. Эти данные представляют собой реальную накопленную настройку. Сам ZIP приложения можно скачать повторно, а пользовательские словари и правила замен восстановить без резервной копии значительно сложнее.

Преимущества и недостатки VietOCR

Плюсы и минусы

Сравнение с аналогами

ABBYY FineReader относится к более дорогому классу: он объединяет OCR, восстановление структуры и широкий набор PDF-функций. На официальной странице ABBYY в 2026 году Standard предлагается как подписка от 99 долларов в год, Corporate — от 165 долларов в год; регистрация продукта требуется. Если нужен полноценный PDF-редактор с OCR, на сайте также можно посмотреть PDFsam Enhanced. Для сравнения с более старым бесплатным OCR-подходом полезен материал про OCR Cuneiform.

С Sumatra PDF сравнение корректно только по роли в цепочке документов. Sumatra PDF — лёгкий Windows-просмотрщик PDF, EPUB, MOBI, CBZ/CBR, DjVu, XPS, CHM и изображений; он не позиционируется как OCR-система. Практический союз выглядит так: VietOCR создаёт распознанный текст или поисковый PDF, а Sumatra PDF быстро открывает готовый документ для чтения и проверки поиска. Выбирать «VietOCR вместо Sumatra PDF» бессмысленно: они решают разные этапы.

Инструкция по установке

Windows 64-bit

1. В официальном SourceForge откройте Files → vietocr → 6.21.0 и скачайте VietOCR-6.21.0.zip. Ветка vietocr.net относится к другой редакции.
2. Проверьте, что Windows 64-битная, установите Java 17 или новее и Microsoft Visual C++ v14 Redistributable, если его нет в системе.
3. Распакуйте ZIP в постоянный пользовательский каталог и запустите java -jar VietOCR.jar. Командный запуск удобен тем, что при ошибке Java сообщение остаётся видимым.
4. Откройте небольшой PNG или TIFF, выберите установленный язык и выполните OCR. На Windows Tesseract поставляется с VietOCR; дополнительные traineddata добавляйте после успешного теста.

Linux

1. Установите Java 17+, Tesseract и нужные языковые пакеты. Для Debian/Ubuntu официальная инструкция приводит пакеты tesseract-ocr, tesseract-ocr-eng и tesseract-ocr-vie.
2. Распакуйте VietOCR-6.21.0.zip и запустите java -jar VietOCR.jar. При нестандартном расположении языковых данных задайте корректный TESSDATA_PREFIX.
3. Для прямого сканирования установите SANE; если сканирование идёт в отдельной программе, SANE для самого OCR готового файла не нужен.
4. До Batch/watch folder проверьте одну страницу и убедитесь, что выбранный язык действительно загружается.

macOS и другие Java-системы

Проект относит Java-редакцию к многоплатформенным, но не публикует актуальный минимальный номер macOS и отдельную пошаговую схему установки Tesseract для каждой системы. Практический минимум для 6.21.0 — Java 17+, доступный Tesseract с нужным tessdata, распакованный архив VietOCR и запуск JAR. Конкретный способ установки Tesseract следует брать из документации пакета для своей ОС, а не переносить команды Debian или Windows.

Первый запуск и настройки

Сначала используйте один известный файл примерно 300 DPI: выберите язык, выполните OCR и сверьте несколько строк с изображением. Затем подключайте дополнительные traineddata, Hunspell-словари, пользовательские DangAmbigs/Regex-замены и сканер. Правила автоматической замены лучше вводить только для повторяющихся ошибок и проверять на копии результата.

Безопасное удаление

Java-пакет поставляется как ZIP: после закрытия программы сохраните нужные traineddata, каталог dict, пользовательские словари и правила замен, затем удалите папку VietOCR. Не удаляйте автоматически Java, Visual C++ Redistributable, системный Tesseract или SANE — ими могут пользоваться другие приложения.

Практические кейсы

Распознать один фрагмент скана без лишнего текста

Цель: получить текст только из конкретной колонки или абзаца. Подготовка: PNG/TIFF примерно 300 DPI и установленная языковая модель. Шаги: открыть изображение, мышью выделить прямоугольник вокруг нужного блока, выбрать язык и запустить OCR для области. Проверка: сравнить начало и конец каждой строки с оригиналом, отдельно проверить цифры и похожие символы. Ограничение: неправильная рамка может обрезать буквы, а сложная верстка внутри области всё равно зависит от сегментации Tesseract.

Автоматически обрабатывать входящую папку

Цель: не открывать вручную каждое изображение, поступающее после сканирования. Подготовка: отдельные входная и выходная папки, проверенный язык и тестовый файл. Шаги: настроить Batch/watch folder, указать каталоги, затем поместить копию тестового изображения во входную папку. Проверка: убедиться, что результат появился в выходной папке, имя файла предсказуемо, а распознанный текст соответствует странице. Ограничение: этот режим не даёт полноценной серверной очереди и мониторинга ошибок, поэтому критичные архивы требуют внешнего журнала и контроля входных/выходных файлов.

Создать поисковый PDF из сканов

Цель: получить PDF, где изображение страницы остаётся визуальной основой, а текст можно искать. Подготовка: исходный PDF или изображения, корректный язык и достаточно памяти. Шаги: для воспроизводимого сценария использовать CLI с выходным режимом pdf, сохранить результат под новым именем и не удалять исходник. Проверка: открыть итог в независимом просмотрщике, выполнить поиск по нескольким редким словам и сравнить найденные места с изображением. Ограничение: наличие поискового слоя не доказывает точность OCR; смысловые ошибки становятся заметны только при выборочной или полной вычитке.

Обработать длинный многостраничный документ

Цель: снизить риск ошибки нехватки памяти на тяжёлом PDF/TIFF. Подготовка: сохранить исходник и оценить количество страниц. Шаги: встроенным инструментом разделить файл на несколько частей, распознать первую часть как контрольную, затем обработать остальные теми же параметрами. Проверка: сравнить количество входных и выходных страниц/частей и выполнить поиск по первой и последней страницам каждого блока. Ограничение: после разбиения потребуется отдельный этап объединения конечных файлов, если нужен один документ.

Навигатор по сбоям

• Программа не запускается: сначала проверьте версию Java. Для 6.21.0 ориентир — Java 17+, затем наличие 64-битной системы Windows и Visual C++ v14 Redistributable.
• Нужного языка нет: проверьте наличие traineddata в tessdata и путь TESSDATA_PREFIX. Не копируйте старые языковые файлы от несовместимого поколения Tesseract.
• OCR даёт много мусора: проверьте разрешение, ориентацию, выбранный язык и область. Для скана ориентир проекта — 200–400 DPI, типично 300 DPI.
• Низкоразрешённый скриншот распознаётся плохо: попробуйте Screenshot Mode или предварительно получите более крупный исходник; простое увеличение не возвращает потерянные детали.
• Большой PDF падает по памяти: разделите PDF/TIFF на части и повторите обработку на меньшем наборе страниц.

Часто задаваемые вопросы

Нужен ли VietOCR интернет для распознавания?

Нет для базового локального OCR уже установленными языковыми моделями. Программа использует локальный Tesseract и локальные файлы tessdata. Интернет нужен, если вы вызываете встроенную загрузку дополнительных языковых данных или вручную обновляете компоненты.

Поддерживает ли VietOCR русский язык?

Да в рамках поддержки языков Tesseract: нужно установить соответствующий русский traineddata. Русский также указан среди языков локализации проекта. Интерфейсная локализация и OCR-модель независимы, поэтому наличие русских меню само по себе не добавляет распознавание кириллицы.

Можно ли распознавать PDF?

Да. PDF входит в заявленные входные форматы. В актуальном README Java-ветки поддержка PDF связана с PDFBox, а командная строка имеет режимы pdf и pdf_textonly для результата. Для очень больших PDF проект рекомендует деление на меньшие части из-за риска нехватки памяти.

Нужен ли Ghostscript для VietOCR 6.21.0?

Для Java-ветки текущий README указывает PDFBox и не перечисляет Ghostscript как обязательную зависимость. Ghostscript остаётся в README VietOCR.NET/WPF. Старые инструкции на сайте проекта упоминают Ghostscript для PDF, но их нельзя считать более актуальными, чем текущая структура Java-ветки.

Может ли VietOCR заменить PDF-редактор?

Нет. Он распознаёт текст, создаёт OCR-выходы и предоставляет вспомогательное редактирование распознанного текста, но не является средой для полноценного изменения объектов PDF, сложных форм, цифровых подписей и макета страницы.

Можно ли сразу получить DOCX или XLSX?

Прямые DOCX/XLSX не перечислены среди форматов командной строки VietOCR. Можно получить обычный текст или структурированный OCR, например TSV, а затем перенести данные в офисное приложение. Для точного восстановления таблиц и исходной верстки лучше выбирать продукт, который прямо заявляет экспорт в офисные форматы.

Какую версию выбрать: Java VietOCR или VietOCR.NET?

Если нужна именно текущая многоплатформенная ветка и переносимость Java, ориентируйтесь на VietOCR 6.21.0. VietOCR.NET 6.17.0 — отдельная 64-битная Windows WPF-сборка, которой нужны .NET Framework 4.8, Visual C++ v14 и Ghostscript. Не выбирайте .NET только потому, что SourceForge выводит его как общий «latest download».

VietOCR всё ещё поддерживается?

Да. В 2026 году были опубликованы версии 6.19.0, 6.20.0 и 6.21.0, последняя обновила Tesseract до 5.5.3, Tess4J до 5.20.0 и требования к Java/разрядности Windows. Это активная ветка, хотя часть старой справки на сайте не синхронизирована с новыми требованиями.

Что делать, если нужен только просмотр готового PDF?

OCR-приложение тогда избыточно. После распознавания документ удобнее читать в специализированном просмотрщике. Sumatra PDF рассчитан именно на быстрое открытие PDF и других документов в Windows, тогда как VietOCR нужен на этапе извлечения текста и создания поискового слоя.

Вывод

Версия 6.21.0 подтверждает, что проект остаётся живым: Tesseract 5.5.3, Tess4J 5.20.0, переход на Java 17 и отказ от 32-битной Windows — существенные актуальные изменения. Одновременно это требует аккуратно относиться к старым инструкциям VietOCR: советы про Java 8 или Ghostscript для Java-ветки могут уже не отражать текущую сборку.

Если главный процесс начинается со сканера и важны профили устройств, NAPS2 обычно удобнее; если нужно массово добавлять поисковый слой в готовые PDF, сильнее специализирован OCRmyPDF; если требуется коммерческое восстановление макета, экспорт в Office и полноценное редактирование PDF, разумнее смотреть на ABBYY FineReader PDF или другой комплексный пакет. VietOCR выигрывает там, где ценятся открытость, локальность, прозрачная связь с Tesseract и возможность вручную контролировать распознанный текст без подписки.