iText - OCR 截图识字新版：重写算法，段落识别更精准

稀土

2017-12-07

关注关注

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）：

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：

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：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，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：