Сравните контрольные суммы фактически обработанных файлов и промежуточных изображений. Одинаковое имя в интерфейсе не доказывает одинаковый вход: один запуск мог взять новую версию объекта, другую страницу или миниатюру. Затем сопоставьте настройки распознавания и сырой ответ до исправлений текста. Так станет видно первое место расхождения.

Паспорт запуска делает сравнение предметным

Условный паспорт, без текста документа:
input_hash -> байты исходного файла
page -> номер и версия растеризации
prepared_hash -> байты после предобработки
engine -> версия движка / модели / языковых данных
options -> язык, сегментация, профиль
raw_output -> сохранённый исход OCR
parser_version -> версия извлечения полей

Контрольная сумма помогает сравнить байты, но не заменяет защиту хранилища. Исходники и результаты могут содержать персональные данные: ограничьте доступ и срок хранения. Для общего отчёта достаточно технических идентификаторов и искусственного образца. Не отправляйте рабочие документы стороннему сервису только ради проверки гипотезы.

Документация Tesseract описывает выбор языка и формата вывода в командной строке, а руководство по качеству — влияние предобработки и режима сегментации. Проверено 25 октября 2026 года. Поэтому запись «Tesseract» без версии, языковых данных и параметров недостаточна для сравнения двух запусков. У облачного сервиса фиксируйте доступные сведения о processor/model и регионе.

Первое различие подсказывает владельца исправления

Где результаты впервые разошлисьЧто исследовать
Исходные байтыВерсию объекта и источник загрузки
Подготовленные изображенияРастеризацию, масштаб и фильтры
Сырой OCR при одинаковом входеВерсию модели и параметры запроса
Поля при одинаковом сыром ответеПарсер, справочник и нормализацию
Экран при одинаковых поляхКеш и форматирование интерфейса

Сохраняйте исходный ответ отдельно от итоговых полей. Если парсер заменил символ или выбрал другую строку таблицы, повторное распознавание не объяснит это решение. Для сравнения полезен diff одного поля с привязкой к странице и области: длинный общий текстовый diff способен скрыть единственную значимую разницу в номере.

Одинаковые параметры ещё не позволяют обещать побайтовую воспроизводимость любого сервиса. Если первая разница действительно появляется внутри распознавания, проверьте документированные гарантии провайдера и закрепление версии, если оно поддерживается. Не придумывайте seed для API, в котором такого параметра нет. Предметный запрос поддержке содержит минимальный разрешённый образец и паспорта запусков.

Изменяйте один фактор и сохраняйте эталон

  1. Повторить один искусственный файл с закреплённым профилем.
  2. Сравнить промежуточные контрольные суммы.
  3. Сверить сырой ответ и отдельно извлечённые поля.
  4. Изменить только один подозреваемый параметр.
  5. Прогнать прежний эталонный набор после исправления.

Проверяйте не только среднюю похожесть текста. Для вашего процесса могут быть критичны номер, дата или строка позиции. Составьте ожидаемые значения на размеченных разрешённых примерах и фиксируйте, какие изменения улучшились, а какие ухудшились. Обновление модели не должно незаметно перезаписать уже подтверждённые человеком данные.

Ключ кеша должен учитывать смысл обработки: вход, профиль и используемую версию извлечения. Один input_hash не различает новый алгоритм и старый результат. При повторе задания храните связь попыток и исключайте двойную публикацию полей в принимающую систему. Результат анализа и применение результата — отдельные операции.

Для разбора подготовьте два паспорта и первую пару различающихся артефактов. Если вход менялся, чините получение и подготовку файла; если одинаковый сырой ответ дал разные поля, исследуйте парсер. Такое разделение позволяет исправить конкретный участок и проверить откат по сохранённому эталону вместо бесконечного выбора «более точной» модели.

Проверенные источники