iText - OCR 截图识字新版：重写算法，段落识别更精准

发表于 | 分类于

在介绍新版前，稍稍解释下背景知识。

OCR 服务已经识别出文字了，iText 还要做什么？

iText 发布后，受到很多朋友的欢迎和好评，解决了诸如扫描版 PDF 无法复制等问题。

不过，也有一些朋友有些误解，觉得 iText 仅仅是调用了 OCR 服务，是个壳而已。其实，并不尽然。

虽然，我觉得用户并不需要知道这些软件背后的故事，只要软件好用即可。不过看来，既然有误解、有好奇，我还是简单提及一些吧。

OCR 服务识别 后，得到的是这样的结果：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。

比如，对于下面这张图：

OCR 识别出来的结果是类似这样的（为了方便示意，我在各行间额外加了空行）：

1
2
3
4
5
6
7
8
9
10
11
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?

你可能觉得，这没什么呀，我自己手动把多余的换行符删掉不就可以了？你说的对。不过，这样的体验并不爽。

为了让你用的爽、少了这步手动操作，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。

目前来看，效果还是可以的：

1
2
3
4
5
6
7
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？

注：以上是 iText 识别并优化后的结果，未加手工编辑；其中的标点符号也已修正。

iText 第一版发布后，收到用户反馈的一些图片，一些段落的识别有问题。于是，我花了不知道几个小时，重写了段落识别相关的算法。目前，对于中英文混排，在使用腾讯服务时，段落识别的效果已经很好了。

不过，并不完美。主要是在一些场景下，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。如果你发现有问题的图，欢迎发给我，我来优化算法。

下面给出一些典型的含段落的图，大家可以自己试试。

图 1：https://ps.toolinbox.net/006tKfTcgy1fm6c8xxge5j30mw0q67i2.jpg

图 2：https://ps.toolinbox.net/006tKfTcgy1fm6c99zhzij30te0wuahg.jpg

识别后的文本优化

另外，段落识别只是对 OCR 服务优化的一部分，还有文本的优化，比如中英文之间需要增加空格等等。

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

手动选择 OCR 服务

目前，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.

如果你有 Google 信仰、或者需要识别日文等其他语言，可以 右击 iText 菜单栏图标，手动选择使用腾讯或 Google OCR 服务。

不过，从实测和目前优化的情况来看，中文还是建议使用腾讯；大家可以自行测试。

下载

新版 iText 已上架 Mac App Store，点击下载

每月可免费识别 20 次，订阅 iText 高级版即可无限次识别。高级版限时 6 折优惠：￥3/月、￥30/年，持续至 12.12

如果你觉得 iText 还不错，还请帮忙 在 App Store 评论；如果你觉得 iText 还可以改进，欢迎：