我是如何把 iText 带到这个世界的

0) iText 点子的由来

开始时，我打算在 Klib 中支持从 PDF 导入标注，发现很难；在这个过程中，一些用户提出（发现需求）：在看 PDF 文档时，有些扫描版不支持复制文字，不方便。于是，就从双 11 晚上开始，我花了一天，做了 iText 第一版（最小原型），可以截图并从中识别文字。

之后，在微博等渠道做了简单推广，并限制 封闭内测（即，用户需要发邮件给我，才能收到 iText 的下载链接），发现还是有不少人对这个工具感兴趣。这也算是 验证了这个需求的真实性，于是就决定好好做成一款产品。

其实，在开发 iText 时，我已经有包括 Klib 、iPic 在内的 7 款产品。要开一个新坑，还是很慎重的。毕竟，麻雀虽小、五脏俱全；再小的产品，也需要 Logo、产品首页、提交上架、运维等一系列事情。很容易分散精力，做出一款自己都不满意的产品。不过，感觉 iText 应该是可以做的，虽然我当然压根就没做所谓的竞品分析、市场容量分析等等。

1) 我主要做了什么事

2017 年双 11 写下第一行代码，时月 29 号正式上架 Mac App Store，第一版花费将近 20 天的时间。

1.0) 开发最小原型，用了 1 天

虽说第一版最小原型，也已经包含了很多因素，主要是开发相关：

• Logo、图标
• 菜单栏图标基本程序
• 集成百度 OCR 服务
• 剪贴板操作
• 截图功能
• 拖拽
• 界面
• 日志
• 收集反馈
• 试用机制
• 检测更新
• 本地化
• 测试用例、测试
• …

1.1) 完成产品并发布，却用了 20 天

最小原型距离成熟的产品，还有很远的距离，尤其有非常多开发之外的工作：

• Logo 设计
• 集成多家 OCR 服务
  • 目前，技术上实现了对接百度、腾讯、Google 的 OCR 服务，最终使用的是后两种。
  • 其中，还要压缩图片以满足 OCR 服务对图片尺寸的限制。
• 优化识别结果
  • 第一版只是把 OCR 服务返回的结果直接呈现给用户，但识别后的优化，还有大量的工作要做。
• 优化交互
  • 第一版只是用 Popover 的方式呈现结果。但通常用户对识别结果有进一步的要求，比如拖拽至原始图片附近、显示原图方便校对等等。这就需要对识别窗口进行优化。
  • 另外，用户识别的内容有多有少，固定的窗口大小就显得不合适，这就需要根据内容多少来调整窗口大小。
• 新用户引导
• 实现免费 + 内购（订阅）模式
  • 单单是选择哪种付费模式，我就纠结了很久。
  • 在限制免费版功能时，还要防止被破解，哎…
• 程序本地化
  • 目前支持英文和简体中文。
• 错误处理和日志系统
• 适配不同操作系统
  • 目前支持 macOS 10.10+；其中，10.10 的支持有些麻烦，因为有些 API 仅在 10.11 及更新的系统上都有。
  • 还要适配 Dark 模式、菜单栏隐藏模式。
• 沙盒模式
  • 这里提一点，我是调用系统 /usr/sbin/screencapture 进行截图的，而 Mac App Store 默认是不允许的。这时，需要在沙盒配置文件中加 com.apple.security.temporary-exception.mach-register.global-name: com.apple.screencapture.interactive 的规则。
• 上架 Mac App Store
  • 应用描述、关键字、截图等。其中，截图的制作很花时间，既需要设计、又需要具体实现。
  • 尤其是，与审核员斗智斗勇…
• 各种文案
  • 尤其是设计教程中的操作动画，非常耗时。

下面，在这些环节中，我挑些重要的环节，掰开了、揉碎了说说。

2) 文字识别的核心：OCR

2.0) OCR 是项活化石技术

OCR (Optical Character Recognition) 其实是非常「久远」历史的话题。说久远，是相对于软件的发展速度，OCR 已经存在了好多年。而且，由于一直也都有这样的需求，对应的方案也在不断变化。

• 没几年之前，基本都是 SDK、离线库，卖高昂的售价，通常都是卖给大企业。
• 后来，License 也变也了订阅式的。
• 直至今日，又变成了云端服务化，按使用量收费。
• 甚至，云端这个词都要过时了，慢慢套上了「深度学习」、「AI」这些闪耀的词汇。

随着这些形态的演进，站在台前引领风骚的主，也在不断更迭。比如，之前一直被「百度更懂中文」「微软这种外企肯定更懂英文」这种思想紧紧套住。可后来一试腾讯的 OCR，发现某些图片的识别，中文比百度强、英文比微软强。以及，在技术方面生猛突进的 Google，都让 OCR这个领域不断发生变化。

2.1) 腾讯、Google 双引擎

如何选择 OCR 的技术方案呢？

首先，我排除了离线的识别库，因为离线注定了这些库的识别能力是死的，不会自己增强。

接下来，在一票在线 OCR 服务中，我对比了百度、腾讯、微软、Google 这些四家大厂的产品。最后，在少量测试和主观感受下（比如，Google 信仰的加持，使得即使不测试，我就相信 Google 的 OCR 是很牛的），我最终选择了腾讯、Google 的服务。简单的说，如果你在国内使用 iText，默认使用的是腾讯的服务；国外则使用 Google.

那么，到底识别准不准呢？这么说吧：

• 对于一般的自然语言，比如书中的一段话、新闻稿，识别效果是惊人的准确，甚至可以达到 100%
• 对于排版复杂、尤其有特殊字符的文字，比如程序代码、选择题，识别效果就不太理想，需要手动对识别后的结果进行修正
  • 比如，单纯地给一个竖线，机器是无法区分到底是小写的 l、还是大写的 I（顺便问一下，你看出二者的区别了吗？）；相反，机器是需要根据上下文进行判断和优化的。而像程序代码这种非自然语言，目前机器是很难进行语义识别的。
• 手写识别？还很遥远
  • 期间，还有件有意味的事：有个朋友拍了一张医院病历上的神仙字体，问 iText 能不能识别。看到那歪歪扭扭的线条，能称为是字吗？无奈，现在中文手写的 OCR 基本还处于不可用的状态。少量测试过微软英文的手写识别，够强可用，但也得看潦草的程度。

到底准不准？欢迎你来试试。

顺便说一句，在接入各大服务的 REST API 接口后，明显感觉 Google 的接口最合理：不限制图片分辨率、仅限制原图大小。百度则相对差一些：限制图片分辨率且有 Bug、根据 base64 编码来限定图片大小。

2.2) 永无止境的段落识别

OCR 服务识别后，可以得到这样的结果：各文字片断及其位置。

但，如果根据这些信息还原出自然语境下的段落？这是很难的。我自己试着列出常见的段落分布，分析其中的位置规律，实现相应的识别段落的算法。并且，根据自己和用户测试的图片，根据识别结果对算法进行优化，还是有些效果的。

不过，并不完美。主要是，一些场景下，除非结合语义识别，否则是无法仅根据位置信息来划分段落的。

期间，我还花了 1 天左右的时间 识别多栏。

虽说最后也差不多实现了，但却增加了程序的复杂度，让其它一些原本很简单的问题，变得难以解决。经过一番思考后，我还是删除了这部分代码，仅保留了普通段落的识别。回过头来看，之前决定做多栏识别的决定并不正确。因为这明显优先级低，又需花费大量时间。毕竟，还有很多其他更基础、更重要的事要做。

2.3) 更加永无止境的文本优化

首先要知道 文本优化正确的规则 是什么，比如：

• 空格
  • 中英文之间需要增加空格
  • 中文与数字之间需要增加空格
  • 数字与单位之间需要增加空格
  • 全角标点与其他字符之间不加空格
• 标点符号
  • 不重复使用标点符号
  • 破折号前后需要增加一个空格
• 全角和半角
  • 使用全角中文标点
  • 数字使用半角字符
  • 遇到完整的英文整句、特殊名词，其內容使用半角标点

这里主要参考的是 稀土所翻译的文章排版的规则，在此致谢。

如果说段落识别很麻烦，文本优化则更多麻烦，根本的原因在于：需要对内容进行识别。比如：

• 英文段落首字母大写，这规则没错吧，但对于 “iPhone is a good phone.” 这样的情况，iPhone 是特定词汇，i 不应该大写。
• 中文文字后的 ‘.’ 应该使用全角的 “。”，这规则也没错吧，但对于『今天天气真热啊…』，明显又不应该替换；亦或是 JSON 数据『”name”: “张飞”』中的 “ 也不应该被替换。
• 以及其他无数多的例子。

没办法，只能有所取舍。目前，iText 主要完成了这些部分的优化：

• 自动识别段落
• 中文环境使用全角标点符号
• 中文与英文字母、数字间增加空格
• 删除中文字符间、英文字符与标点符号间的多余空格
• 英文首字母大写

技术方面，主要是使用 正则表达式 来识别并替换。不过，规则越多，正则表达式也越复杂，稍微改动下某条表达式，可能会破坏其他的。甚至，正则表达式之间的顺序，对优化结果也有影响。且表达式多了，也会降低执行效率。还得再想想如何优化。

这里要提一句 单元测试 了。我每实现一条规则的优化，就会补全对应的测试用例。接着再实现下一条则，这些单元测试可以忠实地保证新的规则没有破坏旧的规律，很是有用。

3) 开发过程中的一些感想

下面是一些零散的、我觉得值得拿出来跟大家分享的一些点。

3.0) 名字与 Logo

一提 Logo 就扎心…

在我已发布的产品中，只有 Klib 的 Logo 是朋友 Allen 设计的，也只是这个没被骂过丑。其它均是我自己用设计，都被吐槽过…

这次，我找了位设计师帮忙，前后也设计了好几版：

不过，可能时间有限，没找到打动自己的那款，只能沿用 i 系列的风格。开始时，是这样的：

后来，「精心」设计了颜色，便是文章开头的样子。先这样吧，之后会考虑 i 系列家族统一更新。

至于名字，你一看我之前的产品，应该也会很自然地想到：iText（顺便说一句：Klib 之前其实是叫 iKindle，可惜苹果不允许名字中包含 Kindle 这个商标，只能被迫改名 Klib）

3.1) 新用户引导

这事的矛盾之处在于：新用户和老用户的矛盾。

进一步说，我追求程序的简洁。尤其是在用户对 iText 熟悉之后，并不需要程序有过多的描述。比如，文字按钮可以被图标按钮取代，用界面上根本看不到的快捷键进行操作，等等。可问题是，熟悉是需要一个过程，新用户需要多次操作后，才能掌握这些甚至有些晦涩的技巧。没有新用户，又何来老用户？

这二者的矛盾，怎么解决呢？

我能想到的办法是：保持界面的简洁（照顾老用户），同时在首次运行时增加提示（照顾新用户）。提示包括：

• 首次通过菜单截图时，提示可以通过快捷键截图。
• 首次展示识别结果时，提示识别内容已复制到剪贴板。
• 首次通过菜单展示识别结果时，提示可通过快捷键展示。

比如：

3.2) 用户越多，公约数越少

比如，对于工具型软件，有人偏好效率，有人喜欢美观。想要二者兼得，怕是很难的事，我自认为没有这样的能力。

可是，转念一想，何必二者兼得？如果我只找到偏好效率的用户，全心全意为他们服务，把他们伺候爽了，不就可以了？至于喜欢美观的用户，简单，让他们选择美观的同类产品不就可以了。弱水三千，只取一瓢饮。

3.3) 要解决的，不是问题本身

在处理 macOS 兼容性时，遇到过一个头痛的问题。

目前，iText 支持 macOS 10.10+，我日常自然是在最新的 10.13 中开发的。发布前，在 10.10 环境下测试时，发现了识别结果窗口布局有严重的问题。定睛一看，原来 Xocde 中早有警告：我使用了只在 10.11+ 平台才支持的布局方式，在 10.10 中自然会有问题。

怎么解决呢？

这个问题本身，是指界面布局有问题。OK，那我就解决布局问题呗。问题是，既然 10.11 引入了新的布局方式，自然是这种方式很有用、很方便。而我要在 10.10 模拟出这么布局，相当于开发了 10.11 的部分新功能，这并不是件容易的事。尤其，事实上 10.10 的支持在我这边优先级很低，只是希望顺带支持，并不希望就此花费大量时间。在已经有些复杂的布局基础上继续加补丁，不是好的办法。

跳出问题本身一想，问题的本质是：为 10.10 的用户展现布局良好的窗口。那，为什么一定要在 10.11+ 已有的窗口基础上解决问题呢，为什么不新做一个窗口呢？既然 10.10 的优先级低，那我就做个简化版的窗口，仅保留最重要的展示结果、复制内容等功能，放弃展示图片预览、钉住窗口等高级功能。界面元素少了，布局就是件很简单的事了。

这就是我的感想：要解决的不是问题本身（布局的问题），而是问题的本质（为 10.10 的用户提供布局良好的界面）。跳出问题本身，往往能发现解决问题本质的更简便的方法。

4) iText 是要赚钱的

iText 一定是款需要付费才能完全使用的产品：

• 在线 OCR 服务是需要付费的，通常是按次收费
  • 注：腾讯 OCR 服务目前在内测期，免费；不过收费只是时间问题。
• iText 是商业产品，不是业余爱好
  • 作为独立开发者，开发 iText 使用的并不是业余时间，而是我全部的工作时间；不是业余爱好，而是想要养活自己的产品。我需要为花费的时间买单，并支撑自己继续做独立开发者。

4.0) 上架 Mac App Store 时遇到的坑

由于开发和推广方面的考虑，我并未构建自己的序列号及付费机制，目前的产品均未在 Mac App Store 外销售；iText 亦如此。

提交 iText 上架 Mac App Store 被拒了多次，最开始上架时的版本号是 1.0.1，最后成功上架的是 1.1.0…

下面是被拒的一些原因及解决方式：

• 没有在上传用户数据前提示用户

  • 其实是这样的，iText 需要上传图片至腾讯、Google 服务器进行识别。而苹果认识这是在上传用户个人数据，需要充分告知用户
  • 解决方式：在用户首次上传图片前，简单粗暴地弹个对话框提示：
    

• 订阅后没有展示剩余有限期

  • 恩，这听着也很有道理。可问题是，我之前 Klib、iPic 中的订阅，也并未提示，为什么审核就能过呢？并且，用户其实是可以在 Mac App Store 中查看这一信息的。哎，这道理没法讲，审核是大爷，想起一出是一出
  • 解决方式：显示剩余时间呗
    

• 产品不适合「自动」续订的订阅

  • 审核员说，「自动」续订的订阅适用于杂志等类型的应用，不适用于 iText 这种功能型的应用。可，同理，为什么之前 Klib、iPic 就可以？依然同理，不可说。
  • 解决方式：有点搞笑，我啥都没改。再次提交相同模式的订阅，通过了。也许是换了个审核员、或者审核员的心情变好了。

其实，审核前我还一直担心的一个问题，反而没有被卡：在程序描述及截图中，出现「Google」的字眼。印象中，之前因为出现「Android」被拒，这次倒是侥幸过关了。

最郁闷的是，审核员不会一次告诉我所有问题，而是分批…

• 先用问题 1 把我拒掉
• OK，我改；然后提交新版
• 再用问题 2 把我拒掉
• 如此循环…

另外就是，如果你说：别人家的 App 就是这么干的。没用，在审核员眼里，这并不是你也可以这么干的理由。

上架过程还 吃了几次暗亏，也说出来大伙听听：

• 程序和内购需要分别提交
  • 也即，在首次上架时，在提交二进制应用进行审核的同时，也需要「手动」提交所包含的内购项目进行审核。而我遗漏了这一点，导致被拒一次。
  • 虽然，我在道理上理解这一逻辑，可苹果明显在提示等方面做得不够好。想我之前也提交过，可这次依然忘了，说明这并没有很强的因果关系，确实是需要提示的。
• 订阅模式改价格，需要提交一天
  • 本来，我在 29 号凌晨就审核通过、并自动上架了。可在我将价格改为 6 折时，却发现要到 30 号才能生效。这迫使我不能在 29 号开始宣传，而只能等到 30 号新的价格生效后才行（因为宣传中要提到「首发限时 6 折」这样的字眼），白白浪费了一天，也让首发时间从周三推迟到周四，效果上打了折扣。

另外有一点，大家可能要注意下：新上架、或新版发布、或价格变更时，App Store 的更新需要时间。如果一发布就立马开始推广，用户可能会遇到搜索不到、无法下载、价格未更新、无法升级等奇怪的问题。建议过段时间再推广，比如头天晚上发布，第二天早上开始推广。

4.1) 免费功能到底该如何限制

这是个艰难的决定。

简单的说，如果免费的功能多了，用户就没有付费的必要；如果免费的功能少了，用户可能就要开骂，甚至直接离开，也就谈不上付费了。要把握其中的平衡，着实不易。

另外，除了考虑到收入本身，还要考虑产品的影响力。比如，产品刚发布时，知名度比较小。这时候，用户数量相对更重要些，比较适合 放水养鱼：适当放弃些收入，通过放宽免费功能的限制，来增加用户数量、留住用户。等产品有足够的影响力，就有定价话语权了。

比如，微软对于盗版 Windows、Office 的做法就是典型案例。开始时睁只眼、闭只眼，等大家已经离不开时，就开始向政府、上市企业寄律师函了。

说回 iText，目前免费版未对功能有任何限制，仅限制识别次数。且，每月都有一定的免费额度，使得用户不会刚开始没用几次、一遇到付费就卸载的情况。之后看运行的情况再调整，比如可以调整为每天都有免费次数。

4.2) 说说付费模式

接下来的问题，便是如何确定收费模式。有这几种方式可考虑：

• 买断式
  • 也即，你付一次钱，就可终身使用。
  • 考虑到 OCR 服务的按次收费，个人觉得这并不科学，至少不具可持续性。
• 流量包式
  • 比如，￥12 元买 250 次识别次数。
  • 对用户而言，这种方式 对低频使用的用户友好，但对于高频使用的用户，并不太划算。
  • 另外，最关键的是，这种方式会给使用上带来很大的心理压力。比如，我在截图时不小心区域没选对，结果白白浪费了一次识别次数，这会让我在每次截图时都会有不小的心理压力，生怕截错了。虽然，从理性的角度，一次真没多少钱。但没办法，这种心里上的事情是很难用理性压住的。
• 包月式
  • 也即订阅式，即一个月出固定费用，即可不限次识别。
  • 对用户而言，优缺点几乎和流量包式相反：对低频用户不友好、对高频用户友好
  • 最终，我选择的是这种模式：每月可免费识别 20 次，充分体验 iText 的功能；订阅高级版即可不限次识别；这样，可以 同时照顾到低频用户和高频用户。首发时 6 折优惠：￥3 每月、或￥30 每年，续费时恢复原价。

其实，这跟手机流量非常像：

• 如果你用量很少，1 MB 流量 0.1 元的方式就很适合你。
• 如果你用是很大、或者就想用得爽，包月得到固定流量、甚至是不限量的套餐，更适合你。
• 不过，我还没见过付一次钱，就可终身不限量使用的套餐。

5) iText 上架后的宣传

其实，这方面我也一直在学习，这里谈不上经验，只是把自己做的事罗列出来。

5.0) 宣传时涉及的渠道

从渠道的角度，大致有这样：

• 用户群
  • 微信群
  • Telegram 群
  • 内测用户邮件列表
• 自己的渠道
  • 博客
  • 朋友圈
  • 微博
  • 公众号「自在开发」
  • Twitter
  • Facebook
• 媒体及第三方
  • 少数派
  • 知乎
  • 掘金
  • V2EX
  • Price Tag
  • Product Hunt

时间有限，我基本上是写通稿，然后针对各个渠道做简单的调整。上面有各渠道对应的文章链接，感兴趣可以点进去看看。其中可见，我做的海外推广很少，这方面求帮带。

其中有个玩法就是：送码。通过这种方式，增加与用户的互动，如留言区的评论、微博的转发等等。

另外，如果你的应用有自己的序列号体系，也可以上「数码荔枝」这样的平台分销，据说效果也不错。可惜我没有序列号，无法触及这些平台。

5.1) 写文案是体力活，也是技术活

上面的每个平台，都需要针对性地写文案。

虽说，好的产品自己会说话、简洁的程序不应该有说明书。可无奈，酒香也怕巷子深，大家在真正使用产品之前，总需要一些方式来了解到产品。而在目前的传播方式中，文案则是必须的了。

这里说的文案，包括：

• 产品本身的说明书、教程
• 发布在媒体上的文章
• 发布在朋友圈等 SNS 上的信息
• 以及其他所有对外爆光的东西
• 除了中文，还有英文…

当然，除了文字，也包括配图、甚至是视频。而这两者，通常比文字更花时间。

比如，在做上面的图时，首先要明确表达什么、构思如何表达、确定涉及到的素材、录屏、制作 GIF，整个过程流程很多，非常耗时。且一旦需要修改，几乎是全部重来的成本。顺便说一句，如果你想知道上面的 Gif 如何制作，看这里

比如 标题，如果纯粹是反映文章内容，很可能不够吸引人；如果起个抓眼球的标题，又极容易被骂标题党。另外，除了考虑一时一地的点击量，还得从长线上考虑搜索引擎的收录。绝对是技术活。

5.2) 如何量化追踪每个渠道的推广效果

比如，发了一条微博，有多少用户因为这条微博下载安装 iText；进而，这些用户中有多少人付费购买。有了这些量化数据，才能反推出每个渠道的获客成本，进而决定是否要在一个渠道推广、制定推广预算。

可见，量化追踪每个渠道的推广效果，非常重要，因为直接跟钱相关。这里，推广效果最直接的考量是转化率，但又不仅于此。比如品牌的露出、品牌形象的建立，都是要考虑的因素。那么，如何量化转化率呢？可考虑使用 iTunes 联盟。

和其他淘宝客、亚马逊联盟等联盟一样，iTunes 联盟也是苹果为了推动第三方来替自己推广音乐、App 的下载付费，而推出的奖励机制。简单的说，就是你帮苹果销售其音乐、App，苹果会给你一定的的提成。具体到 App，提成比例大约是 0.4%

当然，如此低的提成比例，自然不是我们关心的；我们关心的是渠道转化。比如，在下面的链接中：

https://itunes.apple.com/app/id1314980676?ls=1&mt=12&at=1000lv11&ct=iText_Weibo

其中，1000lv11 是 iTunes 联盟 ID，iText_Weibo 是 需要追踪的事件，也即 iText 在微博上的推广；类似的，也可以有 iText_Twitter，iPic_Facebook 之类的事件。

如果用户通过这个链接安装付费，就可以得到类似这样的数据：1000 人点击微博中的链接、600 人真正安装、20 人付费内购。

授之以渔，我就不在这列 iText 具体的数据了。大家如果需要，可以到 这里 申请 iTunes 联盟。

尾巴

终于，iText 还是顽强上架了（点此下载）。至此，我已集齐七颗龙珠：

iText 接下来会怎样？估计我会根据上架后用户的反馈，在短期内再出个版本。之后，会按住一段时间，直到对更远些的发展想清楚后，再出新版。

我本人接下来会怎样？估计还是会坚持做独立开发者，开发自己的产品，开发世上本没有的产品，用自己的能力，改进大家的效率，哪怕只是一点点。

计划跟不上变化。你明天看到的我，已是不一样的我。