iText - OCR 截圖識字新版：重寫算法，段落識別更精準

在介紹新版前，稍稍解釋下背景知識。

OCR 服務已經識別出文字了，iText 還要作什麼？

iText 發佈後，受到不少朋友的歡迎和好評，解決了諸如掃描版 PDF 沒法複製等問題。

不過，也有一些朋友有些誤解，以爲 iText 僅僅是調用了 OCR 服務，是個殼而已。其實，並不盡然。

雖然，我以爲用戶並不須要知道這些軟件背後的故事，只要軟件好用便可。不過看來，既然有誤解、有好奇，我仍是簡單說起一些吧。

OCR 服務識別 後，獲得的是這樣的結果：各文字片段及其位置。

但，若是根據這些信息還原出天然語境下的段落？這是很難的。

好比，對於下面這張圖：

OCR 識別出來的結果是相似這樣的（爲了方便示意，我在各行間額外加了空行）：

3.1新用戶引導

這事的矛盾之處在於:新用戶和老用戶的矛盾。

進一步說,我追求程序的簡潔。尤爲是在用戶對 itext熟悉以後,並不須要程序有過多的描述。好比,文字按

鈕能夠被圖標按鈕取代,用界面上根本看不到的快捷鍵進行操做,等等。可問題是,熟悉是須要一個過程,新

用戶須要屢次操做後,才能掌握這些甚至有些晦澀的技巧。沒有新用戶,又何來老用戶?

這兩者的矛盾,怎麼解決呢?
複製代碼

你可能以爲，這沒什麼呀，我本身手動把多餘的換行符刪掉不就能夠了？你說的對。不過，這樣的體驗並不爽。

爲了讓你用的爽、少了這步手動操做，我本身試着列出常見的段落分佈，分析其中的位置規律，實現相應的識別段落的算法。

目前來看，效果仍是能夠的：

3.1 新用戶引導

這事的矛盾之處在於：新用戶和老用戶的矛盾。

進一步說，我追求程序的簡潔。尤爲是在用戶對 iText 熟悉以後，並不須要程序有過多的描述。好比，文字按鈕能夠被圖標按鈕取代，用界面上根本看不到的快捷鍵進行操做，等等。可問題是，熟悉是須要一個過程，新用戶須要屢次操做後，才能掌握這些甚至有些晦澀的技巧。沒有新用戶，又何來老用戶？

這兩者的矛盾，怎麼解決呢？
複製代碼

**注：以上是 iText 識別並優化後的結果，未加手工編輯；**其中的標點符號也已修正。

iText 初版發佈後，收到用戶反饋的一些圖片，一些段落的識別有問題。因而，我花了不知道幾個小時，重寫了段落識別相關的算法。目前，對於中英文混排，在使用騰訊服務時，段落識別的效果已經很好了。

不過，並不完美。主要是在一些場景下，除非結合語義識別，不然是沒法僅根據位置信息來劃分段落的。若是你發現有問題的圖，歡迎發給我，我來優化算法。

下面給出一些典型的含段落的圖，你們能夠本身試試。

圖 1：ws4.sinaimg.cn/large/006tK…

圖 2：ws1.sinaimg.cn/large/006tK…

識別後的文本優化

另外，段落識別只是對 OCR 服務優化的一部分，還有文本的優化，好比中英文之間須要增長空格等等。

若是說段落識別很麻煩，文本優化則更多麻煩，根本的緣由在於：須要對內容進行識別。好比：

• 英文段落首字母大寫，這規則沒錯吧，但對於 "iPhone is a good phone." 這樣的狀況，iPhone 是特定詞彙，i 不該該大寫。
• 中文文字後的 '.' 應該使用全角的 "。"，這規則也沒錯吧，但對於『今每天氣真熱啊...』，明顯又不該該替換；亦或是 JSON 數據『"name": "張飛"』中的 " 也不該該被替換。
• 以及其餘無數多的例子。

沒辦法，只能有所取捨。目前，iText 主要完成了這些部分的優化：

• 自動識別段落
• 中文環境使用全角標點符號
• 中文與英文字母、數字間增長空格
• 刪除中文字符間、英文字符與標點符號間的多餘空格
• 英文首字母大寫

手動選擇 OCR 服務

目前，若是你在國內使用 iText，默認使用的是騰訊的服務；國外則使用 Google.

若是你有 Google 信仰、或者須要識別日文等其餘語言，能夠 右擊 iText 菜單欄圖標，手動選擇使用騰訊或 Google OCR 服務。

不過，從實測和目前優化的狀況來看，中文仍是建議使用騰訊；你們能夠自行測試。

下載

新版 iText 已上架 Mac App Store，點擊下載

每個月可免費識別 20 次，訂閱 iText 高級版便可無限次識別。高級版限時 6 折優惠：￥3/月、￥30/年，持續至 12.12

若是你以爲 iText 還不錯，還請幫忙 在 App Store 評論；若是你以爲 iText 還能夠改進，歡迎：

• 在這裏留言
• 加入 Telegram 羣
• 微信掃碼入羣：