iText - OCR 截图识字新版：重写算法，段落识别更精准

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 还要作什么？

iText 发布后，受到不少朋友的欢迎和好评，解决了诸如扫描版 PDF 没法复制等问题。

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

虽然，我以为用户并不须要知道这些软件背后的故事，只要软件好用便可。不过看来，既然有误解、有好奇，我仍是简单说起一些吧。

OCR 服务识别 后，获得的是这样的结果：各文字片段及其位置。

但，若是根据这些信息还原出天然语境下的段落？这是很难的。

好比，对于下面这张图：

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

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。尤为是在用户对 itext熟悉以后,并不须要程序有过多的描述。好比,文字按

钮能够被图标按钮取代,用界面上根本看不到的快捷键进行操做,等等。可问题是,熟悉是须要一个过程,新

用户须要屡次操做后,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?

这两者的矛盾,怎么解决呢?
复制代码

你可能以为，这没什么呀，我本身手动把多余的换行符删掉不就能够了？你说的对。不过，这样的体验并不爽。

为了让你用的爽、少了这步手动操做，我本身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，效果仍是能够的：

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。尤为是在用户对 iText 熟悉以后，并不须要程序有过多的描述。好比，文字按钮能够被图标按钮取代，用界面上根本看不到的快捷键进行操做，等等。可问题是，熟悉是须要一个过程，新用户须要屡次操做后，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？

这两者的矛盾，怎么解决呢？
复制代码

**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 初版发布后，收到用户反馈的一些图片，一些段落的识别有问题。因而，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，不然是没法仅根据位置信息来划分段落的。若是你发现有问题的图，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，你们能够本身试试。

图 1：ws4.sinaimg.cn/large/006tK…

图 2：ws1.sinaimg.cn/large/006tK…

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，好比中英文之间须要增长空格等等。

若是说段落识别很麻烦，文本优化则更多麻烦，根本的缘由在于：须要对内容进行识别。好比：

• 英文段落首字母大写，这规则没错吧，但对于 "iPhone is a good phone." 这样的状况，iPhone 是特定词汇，i 不该该大写。
• 中文文字后的 '.' 应该使用全角的 "。"，这规则也没错吧，但对于『今每天气真热啊...』，明显又不该该替换；亦或是 JSON 数据『"name": "张飞"』中的 " 也不该该被替换。
• 以及其余无数多的例子。

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、数字间增长空格
• 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，若是你在国内使用 iText，默认使用的是腾讯的服务；国外则使用 Google.

若是你有 Google 信仰、或者须要识别日文等其余语言，能够 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状况来看，中文仍是建议使用腾讯；你们能够自行测试。

下载

新版 iText 已上架 Mac App Store，点击下载

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

若是你以为 iText 还不错，还请帮忙 在 App Store 评论；若是你以为 iText 还能够改进，欢迎：

• 在这里留言
• 加入 Telegram 群
• 微信扫码入群：