比丘的菩提

bodhi经常使用的是ABBYY Finereader OCR、尚书OCR和清华文通TH-OCR。本文只在功能上做一些简单对比，相关软件使用会在以后文章提到。

一般说OCR软件具有以下功能模块：
1、扫描：支持扫描仪的选择、设置、启动、文件导入；
2、版面分析：对原图片排版布局、字符编码进行解析，划分作文本、数据表格、图片插图三种区块；
3、读取识别：将文本区块进行光学识别、编码、输出成可编辑的字符文本，将数据图表区块进行光学识别、编码、输出排版为可编辑的表格和文本，将图片插图区块进行光学识别转换成独立的图片；
4、保存任务：将当前进行的操作保存为工程任务文件，以备再编辑（注意：多数OCR软件会在原始图片根目录存放许多中间文件，绝大多数不能被常规软件识别编辑，切记不要在保存任务之后删除，否则该任务会因为临时文件丢失而失效）；
5、输出：将识别之后的文件输出为常见的可编辑格式，例如.DOC（Microsoft Office Word、Open Office、WPS等支持）、.RTS（Microsoft Office Word支持）、.HTML（Internet Explorer、Firfox、Netscape等网络浏览器和绝大多数文本编辑器支持）、.TXT（Notepad-Win、TextEdit-Mac、Utrl……等绝大多数文本编辑器支持)，.PDF（Adobe Acrobat、Adobe Designer等支持）以供使用者不同需求。

在这五项基本功能中“读取识别”和“排版输出”是最具有竞争性的：
1、读取识别：评判一款OCR软件的优劣主要看他能否真实准确地反应原图、原印刷品面貌。这要求软件具有对更多语言的支持、对同种语言不同字体的支持、对同种字体不同属性的识别（例如角标、粗体、斜体；横排、竖排；甚至是专业公式）、对不同质量扫描稿的识别、具有高精度的文字识别率等等。概括起来为“真”。
2、排版输出：我们把这一项功能叫做“排版”“输出”，但是并非所有的软件都能按照原稿进行原貌排版。西文OCR软件做的很优秀，例如我们马上要提到的Abbyy Finereader；东方OCR软件由于受到排版多样化、文字图案化的影响稍显落后，例如“尚书OCR”、“汉王OCR”，但值得夸耀的是在“863计划”大力扶持下由北京文通（清华产业）研发的“清华文通TH-OCR”软件已经快步赶上，稍后我们会进一步了解TH-OCR。简要地讲“排版输出”的要求是“美”。
其他功能差异：
1、图片扫描或图片导入：常规扫描仪可以生成TIF(TIFF)、JPG(JPEG...)、BMP、PNG......等格式的文件，常规图片交流多用JPG格式文件、很多人有将PDF文件转化为可编辑状态需求（分两种：PDF为图像序列生成，每一页为一张完整图片；PDF为DOC、HTML、PPT等转换但不知如何反转），数码相机多输出为BMP文件。多数OCR软件只能对TIF文件进行识别，这会给用户带来诸多烦恼，故而我们要求OCR软件能够识别多种图片格式甚至PDF格式。当然某些时候我们要屈服于环境，当你无法找到理想的OCR软件时可以用Photoshop等软件将原始图片转换成软件要求的类型，这时请务必查看软件提供的Demo图片信息，查看其色彩类型、位深。对于PDF文件我们可以使用Adobe Acrobat批量到处所有图片，仅需要执行“高级选项-导出图片”，一般说安装Acrobat后初次使用便会被告知此功能的存在。
2、版面分析：如上所述，版面分析是对原印刷品的版面区块类型、位置、尺寸的分析和标记。意思是告诉软件：你需要江浙一部分转换成文本\表格\插图。一般软件会用不同颜色的直角多边形对不同类型区块进行标记，但是遇到复杂排版布局时我们需要灵活的区块形式，例如下图是ABBYY Finereader和TH-OCR的区块功能对比。我们可以看到ABBYY Finereader可以生成直角多边形区块标记，而TH-OCR只能生成矩形，显然后者会造成排版输出的失误，而尚书OCR只能对文本进行标记谈不上排版。