需要好的 OCR 来打印源代码列表，有啥想法吗？

Posted 2023-04-17

【中文标题】需要好的 OCR 来打印源代码列表，有啥想法吗？

【英文标题】：Need good OCR for printed source code listing, any ideas?需要好的 OCR 来打印源代码列表，有什么想法吗？

【发布时间】：2010-12-25 16:56:42

【问题描述】：

在我的工作中，有时我必须获取一些打印的源代码并手动将源代码输入文本编辑器。不要问为什么。

显然，输入它需要很长时间，而且总是需要额外的时间来调试输入错误（哎呀，那里漏掉了一个“$”符号）。

我决定尝试一些 OCR 解决方案，例如：

Microsoft Document Imaging - 内置 OCR 结果：遗漏了所有前导空格、遗漏了所有下划线、错误地解释了许多标点字符。 结论：比手动输入代码慢。 各种在线网络 OCR 应用程序 结果：与 Microsoft Document Imaging 相似或更差 结论：比手动输入代码慢。

鉴于字体是无衬线和等宽字体，我觉得源代码很容易进行 OCR。

你们有没有找到一个很好的 OCR 解决方案，可以很好地处理源代码？

也许我只是需要一个更好的 OCR 解决方案（不一定是特定于源代码的）？

【参考方案1】：

使用 OCR，目前有三种选择：

阿比FineReader 和OminPage。两者都是商业产品，在功能和 OCR 结果方面差不多。关于 OmniPage 我不能说太多，但 FineReader 确实支持读取源代码（例如，它有一个 Java 语言库）。 最好的 OSS OCR 引擎是tesseract。它更难使用，您可能需要针对您的语言对其进行训练。

我很少做 OCR，但我发现在商业软件上花费 150 美元可以弥补浪费的时间。

【讨论】：

我试过 tesseract。我第一次下载它时失败了。在线自述文件指定它不附带任何训练数据。我从网站上下载了英文训练数据并解压到 tessdata 子目录中。但后来它仍然抱怨“找不到 eng.unicharset”。我怎么搞砸了？

明白我的意思吗？ Tesseract 只有在您的时间不花钱的情况下才免费。但是您可以在 tesseract 用户组中发布问题。他们在那里很友好，您的意见将有助于让下一个人更容易设置这个野兽。

@Aaron Digulla，先生，您能不能分享一些在 $150 到 $500 之间的 OCR 库，

@Sajjad 我什么都不知道。

想指出的是，在没有经过训练的情况下，tesseract 与常规 ocr 没有什么不同，后者将忽略所有前导空格，忽略所有下划线。但是，它也很难训练，因为你需要花费时间来获取每个样本的标签。

【参考方案2】：

今天有两个新选项（问题提出多年后）：

1.)

Windows 10 附带 Microsoft 的 OCR 引擎。

它在命名空间中：

Windows.Media.Ocr.OcrEngine

https://msdn.microsoft.com/en-us/library/windows/apps/windows.media.ocr

Github 上也有一个例子：

https://github.com/Microsoft/Windows-universal-samples/tree/master/Samples/OCR

你需要 VS2015 来编译这些东西。或者如果你想使用旧版本的 Visual Studio，你必须通过传统的 COM 调用它，然后阅读 Codeproject 上的这篇文章：http://www.codeproject.com/Articles/262151/Visual-Cplusplus-and-WinRT-Metro-Some-fundamentals

OCR 质量非常好。然而，如果文本太小，您必须先放大图像。您可以通过 Windows 更新下载世界上存在的所有语言 - 甚至是手写！

---

2.)

另一种选择是使用 Office 中的 OCR 库。它是一个 COM DLL。它在 Office 2003、2007 和 Vista 中可用，但在 Office 2010 中已被删除。

http://www.codeproject.com/Articles/10130/OCR-with-Microsoft-Office

缺点是每个 Office 安装都支持少数语言。例如，西班牙办公室安装了对西班牙语、英语、葡萄牙语和法语的支持。但我注意到，如果您使用西班牙语或英语作为 OCR 语言来检测西班牙语文本，几乎没有区别。

如果您将图像转换为灰度，您会得到更好的结果。 识别还可以，但并没有让我满意。尽管 Tesseract 需要更多的图像预处理才能获得这些结果，但它产生的错误几乎与 Tesseract 一样多。

【参考方案3】：

试试http://www.free-ocr.com/。当我的 IDE 在编辑器会话中崩溃而没有警告时，我已经使用它从屏幕抓取中恢复源代码。这显然取决于您在编辑器中使用的字体（我在 Delphi 中使用 Courier New 10pt）。我尝试使用 Google Docs，它会在您上传图像时对图像进行 OCR - 虽然 Google Docs 在扫描文档上非常好，但由于某种原因它在 Pascal 源上失败了。

FreeOCR 工作示例：输入图像：

给了这个：

begin
FileIDToDelete := FolderToClean + 5earchRecord.Name ;
Inc (TotalFilesFound) ;
if (DeleteFile (PChar (FileIDToDelete))) then
begin
Log5tartupError (FormatEx (‘%s file %s deleted‘, [Annotation, Fi eIDToDelete])) ;
Inc (TotalFilesDeleted) ;
end
else
begin
Log5tartupError (FormatEx (‘Error deleting %s file %s‘, [Annotat'on, FileIDToDelete])) ;
Inc (TotalFilesDeleteErrors) ;
end ;
end ;
FindResult := 5ysUtils.FindNext (5earchRecord) ;
end ;

所以替换缩进是大部分工作，然后将所有5 更改为大写S。它也被 80 列标记处的垂直线弄糊涂了。幸运的是，大多数错误都会被编译器发现（引用字符串中的错误除外）。

很遗憾，FreeOCR 没有“源代码”选项，其中空白被视为重要。

提示：如果您的来源包含语法突出显示，请确保在上传之前将图像保存为灰度。

【参考方案4】：

打印文本与手写通常对于 OCR 来说更容易，但这完全取决于您的源图像，我通常发现以 PNG 格式捕获，减少颜色（灰度是最好的）并进行一些手动清理（去除由于扫描等引起的任何图像噪声）效果最好。

大多数 OCR 在性能和准确性方面都相似。具有训练/纠正能力的 OCR 是最好的。

【参考方案5】：

OCRopus 也是一个不错的开源选项。但与 Tesseract 一样，要有效地使用和集成它有一个相当陡峭的学习曲线。

【参考方案6】：

总的来说，我发现FineReader 给出了非常好的结果。通常所有产品都有试用版。尽可能多地尝试。

现在，程序源代码可能很棘手：

前导空格：可能是邮政编码 漂亮的打印机进程可以提供帮助 下划线和标点符号：可能是 好的产品可以为此进行培训

【参考方案7】：

Google Drive 的内置 OCR 对我来说效果很好。只需将扫描件转换为 PDF，上传到 Google Drive，然后选择“Open with... Google Docs”。颜色和文字大小有一些奇怪的东西，但它仍然包括分号等。

原截图： Google 文档 OCR：

明文版：

#include <stdio.h> int main(void)  
char word[51]; int contains = -1; int i = 0; int length = 0; scanf("%s", word); while (word[length] != "\0") i ++; while ((contains == 1 || contains == 2) && word[i] != "\0")  
if (word[i] == "t" || word[i] == "T")  
if (i <= length / 2)  
contains = 1;  else contains = 2; 
return 0;