database - OCR解决方案/通过400万张纸进行搜索，每天增加10,000张

Question

我在一家医学实验室公司工作。他们需要能够搜索所有客户数据。到目前为止，他们在几年内存储了大约 400 万张纸，而且他们每天都在增加 10,000 页。对于 6 个月前的数据，他们每天需要访问大约 10-20 次。他们正在决定是花 80k 买一个扫描系统，让秘书扫描房子里的所有东西，还是聘请铁山这样的公司来做这件事。 Iron mountain 将收取每页约 8 美分的费用，这对我们拥有的纸张数量加起来约为 30 万美元，再加上每天 10,000 张的费用还要多出一大笔钱。

我在想也许我可以建立一个数据库并在内部进行所有扫描。

1. 那些用于扫描支票和邮件的系统是什么，它们能很好地阅读非常乱的手写体？
2. 有没有人有过使用一堆 OCR 可搜索文档构建数据库的经验？我应该使用什么工具来解决我的问题？
3. 您能推荐最好的 OCR 库吗？
4. 作为一名程序员，您会如何解决这个问题？

仅供引用，下面的答案都不能很好地回答我的问题

Answer 1

在医疗办公室工作过，负责数据录入，OCR 几乎肯定行不通。我们的表格有特殊的文本框，每个字母都有一个单独的框，即使如此，软件也只有大约 75% 的时间是正确的。有一些形式允许自由书写，但结果普遍是乱码。

我建议走元数据路线；扫描所有内容，而不是尝试对每个表单进行 OCR，只需将其存储为图像并添加元数据标签。

我的想法是:OCR在这个案例中的目标是让所有的表格都能从计算机上读取，从而使数据检索变得更简单。但是，您在这里并不真的需要 OCR 来执行此操作，您需要做的就是找到某种方法，让人们能够非常快速地找到表格，并从表格中获取正确的信息。因此，即使您将每个表单存储为图像，添加正确的元数据标签也可以让您在需要时检索所需的任何内容，并且运行搜索的人可以直接从存储的表单中读取它，或者打印出来并以这种方式阅读。

编辑:执行此计划的一种相当简单的方法是使用简单的数据库方案，其中每个图像都存储为一个字段。根据您的需要，每一行都可以包含如下内容:

• 图片名称
• 患者编号
• 访问日期
• ...

基本上，考虑您想要搜索给定文件的所有方式，并确保将其作为字段包含在内。您是否通过患者 ID 查找患者？包括那个。访问日期？相同的。如果您不熟悉围绕搜索需求设计数据库，我建议您聘请具有数据库设计技能的开发人员；您最终会得到一个非常强大但快速的数据库模式，其中包含您想要的一切，并且功能强大到足以满足您的索引需求。 (请记住，其中大部分将高度特定于您的应用程序。您需要根据您的情况对其进行优化，并确保在一开始就尽可能地进行设置。)