本文介绍了OCR技术的基本概念、用途及局限性，并重点讲解了为何选择Pdg2Pic和TextForever（PT）进行批量OCR。PT利用微软MODI的OCR引擎，虽然识别率有限，但因其专注于批量处理而受到青睐。讨论了OCR效果的影响因素，如图像质量、语言选择，并提供了在简体和繁体环境中切换OCR语言的方法。最后，概述了OCR后的校对和排版工作。
一、FAQ
Q：什么是OCR？
A：OCR是Optical Character Recognition（光学字符识别）的缩写，简单点说，就是将扫描出来的书籍图像文件，转换成可以编辑、查找的文本文件。
Q：为什么要OCR？
A：理由如下（不是全集，您还可以想象其它的理由）：
以目前的技术，图像文件还不能进行全文检索，但是转换成文本后想怎么检索都好说。
图像文件上的文字很难被引用，但是复制、粘贴文本谁不会？
与文本文件的尺寸相比，图像文件显得大了点。
图像文件的浏览比较受限制，看多了容易疲劳，文本文件相对好一点。当然也有人对此持相反观点。
不可否认，目前网上文本格式的书源要比图像格式的贫乏许多，在OCR的门槛降低到人人都能参予后，相信会有助于丰富文本格式的书源。
Q：OCR的好处已经明白了，那么它有没有什么短处？
A：世间不如意，常十之八九：
以目前的OCR技术，还不能保证准确率达到100%，因此OCR出来的结果可能会包含大量的错字、别字，需要进行校对。
以目前的技术，想完整再现原文版式是一件很有难度的工作，因此OCR出来的结果通常还需要重新排版。
OCR需要进行复杂的内部运算，消耗大量的CPU时间。
最关键的一点：以目前能够达到的技术，OCR用来识别以文字为主的文史类书籍还凑合，要想识别图文混排、中英文混排、包含复杂表格、字体应用比较丰富（尤其是斜体）的理工类书籍，识别出来的结果多半有点哭笑不得。
如果看了上面的说明后您已经对OCR心灰意冷，可以不必浪费时间往下看了。
Q：为什么要用Pdg2Pic、TextForever来做OCR？
A：目前市面上有很多成熟的OCR产品，包括清华、汉、丹青等。从我使用的情况看，这些产品的识别率基本上已经接近技术的极限， 只是在使用方便性上还有一些不足，尤其是在批量识别方面。而Pdg2Pic、TextForever（以下简称PT）则是专门为了批量OCR而设计的。如果您觉得批量识别用处不大&#x
最低0.47元/天 解锁文章
扫一扫
1035
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
