Il miglior OCR per documenti finanziari nel 2026

Gli estratti conto. 47 estratti conto di 47 banche, uno per banca: banche francesi come BNP Paribas, Société Générale, Crédit Agricole e La Banque Postale, banche tedesche e austriache, e le neobanche che un finanziatore incontra davvero (Qonto, Revolut, Wise, bunq, Shine, PayPal, SumUp). 93 pagine in tutto, in francese, tedesco e inglese. Ogni estratto conto è stato anonimizzato prima del test: nomi, indirizzi e numeri di conto sostituiti, layout delle tabelle lasciato invariato.

Le scansioni. Ogni pagina è stata renderizzata a 150 dpi in scala di grigi, ruotata di 0,8 gradi, leggermente sfocata, arricchita di rumore del sensore e salvata in JPEG con qualità 35. È ciò che invia per email la fotocopiatrice di una filiale, ed è il motivo per cui esiste l'OCR.

Le risposte. 492 transazioni, ciascuna con data e importo, verificate a mano sul PDF ogni volta che un sistema testato non concordava con il riferimento.

Il punteggio. Per ogni transazione cerchiamo il suo importo in ciò che il motore ha letto su quella pagina, cifra per cifra: 1.234,56, 1 234,56 e 1,234.56 contano tutti, 1234 no, e ogni importo trovato viene usato una sola volta. Una data conta quando sono presenti giorno e mese. Ogni motore è stato eseguito su CPU, con i suoi modelli predefiniti, e valutato dallo stesso codice.

La velocità. Le stesse 10 scansioni, sugli stessi 8 core CPU, un motore alla volta. Hologlyph legge più pagine contemporaneamente; Tesseract per impostazione predefinita legge una pagina alla volta, ed è più veloce se se ne avviano più copie.

Hologlyph è il motore OCR che Holofin sviluppa per i documenti che legge ogni giorno: estratti conto, bilanci, documenti d'identità e le scansioni che li accompagnano.

In questo test ha letto ogni importo presente nel livello di testo del PDF stesso (quello che ha mancato manca anche nel livello di testo), ed è stato il più veloce dei cinque. Un avvertimento onesto: Hologlyph è addestrato su documenti finanziari, quindi i layout di questi 47 estratti conto potrebbero essergli familiari.

RapidOCR impacchetta i modelli PP-OCRv4 di Baidu in ONNX, quindi si installa con pip e funziona su CPU senza framework di deep learning. Legge intere righe in una volta, il che funziona bene sui numeri. Il prezzo si paga sulle parole: sul testo latino spesso elimina gli spazi, quindi RELEVE DE VOTRE COMPTE diventa RELEVEDEVOTRECOMPTE.

Inoltre incolla insieme elementi vicini. Su un estratto conto austriaco ha letto la data di registrazione e l'importo come un'unica stringa, 24.12.202315.000,00EUR. Un parser che la legge come un unico numero ottiene più di duecento milioni di euro.

docTR, di Mindee, legge in due fasi: un rilevatore trova le parole, un riconoscitore le legge. Restituisce riquadri delle parole puliti con le loro posizioni, il che lo rende il più semplice dei cinque su cui costruire un parser di tabelle. Richiede PyTorch, e ha letto per intero un estratto conto in più rispetto a RapidOCR, mancando però un importo in più.

EasyOCR è il più semplice da installare e legge più di 80 lingue. Sugli estratti conto scansionati ha letto la maggior parte degli importi ma ha storpiato i decimali: 7.781,98 è diventato 7.78/,98, 50.000,00 è diventato 50.000,oo/ e 25.000,00 è diventato 25,00o 0o. In una frase, uno zero letto come la lettera o è un refuso. In una colonna di importi è una transazione che non si riesce più ad analizzare. È stato anche il più lento dei cinque.

Tesseract è la risposta predefinita a "OCR gratuito". Su queste scansioni ha mancato 1 importo su 9. Peggio delle mancate letture sono le letture errate: 472,07 è tornato come 47207 e 22,38 come 2236. Entrambi sembrano importi reali. Un numero mancante fa fallire un saldo in modo evidente. Un numero sbagliato lo fa fallire in silenzio.

Leggere non è estrarre

Un motore che legge ogni importo non Le ha ancora detto quale importo è l'addebito, quale l'accredito e quale il saldo progressivo. I layout degli estratti conto mettono le date su una riga e gli importi su quella successiva, spezzano le descrizioni su tre righe e ripetono l'intestazione su ogni pagina. Trasformare il testo in transazioni è un lavoro a parte, ed è da lì che nasce la maggior parte degli errori di estrazione.

Un importo sbagliato sembra giusto

Ogni lettura errata qui sopra è un numero valido. 47207 supera ogni controllo di formato che un foglio di calcolo eseguirà. L'unica cosa che lo intercetta è l'aritmetica: il saldo iniziale più le transazioni deve essere uguale al saldo finale. Se la Sua pipeline non fa questa somma, non sa se il suo OCR ha funzionato.

L'OCR legge altrettanto bene un estratto conto falsificato

Un OCR perfetto legge un estratto conto modificato con la stessa fedeltà di uno autentico. Se il PDF sia stato modificato dopo che la banca lo ha prodotto, o se una pagina sia stata ridisegnata da un modello di immagini, è una domanda che l'OCR non si pone.