PDF 补丁丁0.5.0.2520（测试版）解除PDF文档的烦恼

angst · 发表于 2011-2-8 01:12

本帖最后由 angst 于 2011-2-8 03:34 编辑

回楼上网友：

ABBYY Reader 吃内存太多了，我最好的计算机也只有 2G 内存，识别一个 300 页的 PDF 都非常 ...
comme 发表于 2011-2-7 21:56

回comme大侠，finereader识别速度的确比较慢，但牺牲速度换来的就是极高的识别率（我指的是西文字符，尤其是源文件清晰度不高的情况下，都是亲自实践得出的结果）和排版的精确还原，以及可以手动编辑识别错误的字符。而在输出上，可以选择图文双层的pdf，如同acrobat，但是acrobat识别的时候，只能选择单语种，而finereader可以自由选择，比如同时涵括英语、德语。而且最重要的是acrobat无法编辑、校正识别出来的文本。除此之外，finereader还可以输出为保留原排版的纯文字pdf或者word文件。简言之，就我亲自实践的感受，作为一款完整的ocr解决方案，在西文识别上（我没有用它ocr过中文，在某个版本之前是不支持中文识别的）finereader比其他任何ocr软件要强太多。

我会把那天操作的双层pdf发给大侠，以助大侠完善软件。

蚩招 · 发表于 2011-2-8 08:31

foxit也有OCR了，好像是abbyy的模块，可惜没繁简中文
Foxit OCR Add-on module is designed to work with Foxit Phantom to make scanned or image-based PDFs selectable and searchable, and supports multi-language including English, French, Italian, German and Spanish.It can be downloaded from http://www.foxitsoftware.com/downloads/index.php and installed from "Help-> Install Updates" too.

汉文学士 · 发表于 2011-2-8 08:49

本帖最后由 comme 于 2011-2-8 08:56 编辑

回comme大侠，finereader识别速度的确比较慢，但牺牲速度换来的就是极高的识别率（我指的是西文字符，尤 ...

angst 发表于 2011-2-8 01:12

感谢你发来测试文件，已经收到了。我开始的时候就是用 FineReader 测试中文识别。它是使用系统中可用字体的信息来分析图片 PDF 中对应的文字，所以是慢很多，也吃很多内存。识别效果是不错的，但就是保存不下来。

书签错误的原因是 PDF 补丁丁识别文本位置的算法还不够聪明，所以你看到，虽然它识别出标题所在的位置，但书签文本的字符是前后错乱的。我想在下版加入一些简单的模糊算法来提高其重组文本的能力。无论是使用微软+清华的模块（MODI），还是用 ABBYY 的输出双层文件，都可以从优化的算法中获益。

Adobe Acrobat 的识别结果就更讨厌，识别出来的字体还有一个很小的倾斜度（原汁原味也不至于这样呀），要去除倾斜度之后才得到字体的尺寸。而且其识别结果又无法编辑，识别率也不太理想，就干脆不支持了。

我发现用 JBIG2 编码的黑白图片 PDF 文件越来越多。如果不能解码用这种方式编码的图片，就无法用微软+清华的模块识别。所以下一版还要增加JBIG2解码功能才行。从网上找来的开源解码模块只有C++实现。鄙人已经告别C++近十年，想不到现在又要重操旧业。呵呵。

angst · 发表于 2011-2-8 21:50

感谢你发来测试文件，已经收到了。我开始的时候就是用 FineReader 测试中文识别。它是使用系统中可用字体 ...
comme 发表于 2011-2-8 08:49

谢谢大侠的回复和测试。
大侠所用finereader，可以识别，但无法保存的问题，可能是软件破解有问题，不过现在网上能找到的9和10，都有非常好的破解版本，甚至连绿色版都有。反正我用fi

汉文学士 · 发表于 2011-2-8 22:20

本帖最后由 comme 于 2011-2-8 22:26 编辑

大概不是破解的问题。我好像还没用破解补丁。尚在其试用期之中。
又 PDF 补丁丁将要出来的新版好像已经支持 JBIG2 的解码，也就是可以导出 PDF 文档内所有格式的图片了。

欢迎各位提供有 JBIG2 编码图片的 PDF 测试样本！

angst · 发表于 2011-2-11 02:42

大概不是破解的问题。我好像还没用破解补丁。尚在其试用期之中。
又 PDF 补丁丁将要出来的新版好像已经支持 ...
comme 发表于 2011-2-8 22:20

试用版，对ocr的页数和导出pdf的页数有限制，大侠不妨试试破解版。
反正自己试用了这么久，还没遇到过导出pdf页面遇到问题，然后关闭的情况。

听风堂 · 发表于 2011-2-11 07:27

等米下鍋。春節已過，不知何時可以發佈？
可以讓更多的書友測試，在測試中完善。。。

汉文学士 · 发表于 2011-2-11 09:08

本帖最后由 comme 于 2011-2-11 09:09 编辑

我正在优化光学字符识别的后处理函数。如果不提高后处理的智能处理能力，光学字符识别所得的文本就会比较混乱，功效有限。之前已经有版友反馈过了。此外还有一些在内部测试中发现的明显问题需要解决。

zhaiwuren · 发表于 2011-2-11 09:36

开发时间长点没关系，反正都这么多年了，许多文件都是自己动手做的书签，相信这次更新是 PDF 补丁丁的一次飞跃。

kiev84 · 发表于 2011-2-11 11:38

期待中，jbig2的支持十分有用。
谢谢comme兄长期以来的付出。虽然是一款免费的小软件，免费供大家使用已是无私。
但是comme兄还是有问必答，十分热心。再次感谢。

sdnulmx · 发表于 2011-2-11 12:02

大侠辛苦啊!
不过下了个“PDF 补丁丁 0.3.0.8 正式版”，不运行啊，咋回事啊？

yalama · 发表于 2011-2-11 13:16

回复 45# sdnulmx

需要安装微软的.NET Framework支持，离开它不能运行。

sdnulmx · 发表于 2011-2-11 14:44

回复 46# yalama
收到！感谢指导！这就下载试验下

hebeisheng · 发表于 2011-2-11 20:08

本帖最后由 hebeisheng 于 2011-2-11 20:11 编辑

盼望OCR时能加上图像处理功能。曾经看到一个朋友所给的软件截图，据说，不太清晰地书籍图像处理后能够很好的OCR。楼主可以参考一下。研制成功绝对是大家的福音。

汉文学士 · 发表于 2011-2-11 22:01

本帖最后由 comme 于 2011-2-11 22:05 编辑

由于程序是调用微软（清华）的引擎，在执行光学字符识别之前，都转换成黑白图片。
做伽马校正是可以略微去掉一些噪点，但意义不大。
先将后处理算法做完，然后还有若干开发计划。

况且目前大部分书籍都是黑白的，不能用调节亮度、曲线和伽马值等图像处理功能。

我现在想出一个极快速手工制作书签的办法。等这次新版本发布后就会着手去做。
到这些开发计划完成后，有时间才会考虑加入图像处理功能。毕竟要完善的功能实在很多。

strnghrs · 发表于 2011-2-12 08:44

盼望OCR时能加上图像处理功能。曾经看到一个朋友所给的软件截图，据说，不太清晰地书籍图像处理后能够很好 ...
hebeisheng 发表于 2011-2-11 20:08

你引用的截图是高版本UV OCR界面的一部分

strnghrs · 发表于 2011-2-12 08:45

本帖最后由 strnghrs 于 2011-2-12 09:07 编辑

由于程序是调用微软（清华）的引擎，在执行光学字符识别之前，都转换成黑白图片。
做伽马校正是可以略微去 ...
comme 发表于 2011-2-11 22:01

理工类的PDG很多是灰度JPG的，如果不处理就二值化，就会白花花一片
有些黑白页面文字笔画太细，加粗后识别会更好

汉文学士 · 发表于 2011-2-12 09:24

本帖最后由 comme 于 2011-2-12 09:31 编辑

回复 51# strnghrs

马兄，说得有理。但我之前试过转换理科文献，问题往往不是灰度转换，而是理工文献往往有很多数学公式和符号，对这些符号，Office 里面清华引擎的识别结果真是惨不忍睹。理科生们恐怕还是得自己来了。
增加灰度图片的支持也许有用。不过这个还是得延后一点再支持了，首先，程序目前还没有显示文档的界面，使用者不容易确定合适的参数值；另外，在下时间有限，还是得将精力放到解决主要问题上去。

lvxianping · 发表于 2011-2-12 09:31

辛苦了，你的耕耘是我们的幸福啊。

yalama · 发表于 2011-2-12 10:47

本帖最后由 yalama 于 2011-2-12 10:49 编辑

回复 52# comme

理工科的很多数学公式实际上是图像，无法以txt纯文本表示，只能在Office文档里维持原样。OCR可以忽略这一点。

strnghrs · 发表于 2011-2-12 13:37

回复 comme

理工科的很多数学公式实际上是图像，无法以txt纯文本表示，只能在Office文档里维持原样 ...
yalama 发表于 2011-2-12 10:47

无文件，无真相；有文件，有真相。

各位不妨试试看在不进行图像处理的情况下OCR附件中的两页。
这两页出自：
[General Information]
书名=互联网时代的软件革命：SAAS架构设计
作者=叶伟等著
页数=335
SS号=12143010
出版日期=2009.1
出版社= 电子工业出版社
ISBN号= 978-7-121-07736-4 / TP3

某几年的清晰版PDG，基本上都是这种白花花一片的东西，所以在园地图像处理技术才会这么火。

yalama · 发表于 2011-2-12 14:07

55楼老马大侠提供的这类书页，都是必须先用CEP处理才能阅读的，可是很多书友直接转成了PDF。

汉文学士 · 发表于 2011-2-12 14:19

本帖最后由 comme 于 2011-2-12 14:37 编辑

我用合并模式生成一个包含这两个JPG文件的PDF文件（见附件），然后直接在测试版上做光学字符处理，得到的结果如下。虽然人眼读这种图片文档非常不爽，但FreeImage门槛转换后得到的TIFF似乎得到颇为不错，让清华的引擎读起来似乎并无太大问题。目录的点号对其而言一直都是个麻烦，但中文和数字的识别结果还算可以。这识别率比起那些充满公式和符号的页面而言，实在是高得多。

CONTENTS
S、、S架构设计
第1篇 SaaS商业模式
第 1 章 SaaS 的前世今生·········，··············，·······，··················，……2
1. 1 什么是 SaaS．····································································……3
1. 1.1 SaaS 的产生··········，··············································．.．……3
l.l·2 SaaS 基本概念···································，····，···········．..．……6
1.1.3 SaaS 与 ASP 的异同···············································……8
1.2 SaaS 软件的优势············，··········，·············，··················……，．…9
1.2.1 给用户的优势·······················································……10
1..22 给软件商的优势···················································……14
1.3 SaaS 的缺．点及解决办法···············································……16
1 .3. 1 依赖互联网 ·······，···················································……16
1.3.2 数据安全性···························································……17
1.3.3 数据保密性·······，···················································……19
1.4 SaaS 成功案例······························································．……20
1.4.1 Salesforce.com··································，····················……20
1..42 Google.com····························································……22
1..43 Ahsoft.com·····························································一 24
1..44 其他 SaaS 案例·····················································……26
1 .5 小结················································································……29
第2篇 SaaS应用架构
第 2 章 SaaS 成熟度模型····，···························，·················……犯
2.1 saas 的规模效应·，··············································一，····……33
目录
., ...' .,., - -－一，., - --－一．. ,,, ,,.---－叫，, ---.．目－.．户．，喊－---.．甲．, -- --－月．心－-.,. -..' .．甲．. ---..．。心．. -----..．卜，., ,., ---... ,,，州，, ,.. -... ... ..．闷月，月，. ---
CONTENTS
互联网时代的软件革命
2.2 SaaS 成熟度模型分级···················································……36
.22.1 Levell：定制开发···········，···································……36
2..22 Leve12：可配置········································，··········……37
2.2.3 Level3：高性能的多租户架构···························……39
2.2.4 Level4：可伸缩性的多租户架构········，··············……41
2.3 如何选择合适的 SaaS 成熟度模型·······················，······，一43
2.3.1 产品所面向的客户群的特征与需求·········，·，·······，一43
2.3.2 产品的租户数量级别·······，···································一44
.23.3 团队的开发能力与愿意付出的开发／改造成本··……45
.24 SaaS 软件的成熟度模型的渐进步骤，··························……46
2.5 小结··················，···············································，·············……47
第 3 章构建 Multi一Tenant 应用·······················，·············一48
3.l 第一阶段：做项目···································，····，···，···········……49
3.1.1 发现商机··························································……，．…49
3.1.2 "4+1” 视图···························································……50
3.1 .3 设备托管························，··············，·······················……58
3.2 第二阶段：做产品·············，··，·······································……59
3.2. 1 设备共享·············，·················································……59
3..22 创业之旅·······························································……61
3..23 可配置化···········································，·············．....．……62
3.3 第三阶段：多租户··········，····，·····································．.．……63
3.3.1 成长的烦恼·································，·························……63
3.3.2 如何转化成 SaaS 多租户模式········，····················……65

复制代码

北海小猪 · 发表于 2011-2-13 09:03

看了这么多的回帖，我想说的是谢谢楼主的辛勤劳作，让我这等伸手党享福了！

汉文学士 · 发表于 2011-2-14 18:57

自动生成书签这块的确难搞。
我想还是先发布一个没有光学字符识别的版本，让大家先试用新增的书签编辑器和新增的JBIG2解码支持罢。

等这个版本稳定了，再发布加入字符识别的版本。
如果没什么问题，过几天就会发布的了。

tz.2009 · 发表于 2011-2-15 02:26

关注，期待“comme ”的好东西，早日成功，尽快发布

汉文学士 · 发表于 2011-2-16 17:29

测试版出来啦，顶一下。

详情请见一楼。

汉文学士 · 发表于 2011-2-16 18:14

0.3.1.0 版会丢失书签的显示方式设置，请下载 0.3.1.1 版。

汉文学士 · 发表于 2011-2-18 09:05

0.3.1.2 2011年2月17日
新增功能：
书签编辑器增加强制设置页面链接目标为内部链接（用于修复一些文件改名后链接失效的书签）。
在书签编辑器按住 Ctrl 键拖动书签可复制书签。
修复错误：
书签编辑器批量移动书签后反转顺序的问题。
补丁功能导入外部页面链接错误的问题。

客正能 · 发表于 2011-2-18 13:35

LZ的补丁丁0.3.1.2如何编辑这种PDF书签？

		自动登录	找回密码
密码			注册

[工具] PDF 补丁丁0.5.0.2520（测试版）解除PDF文档的烦恼

评分

评分

评分

本帖子中包含更多资源

评分

评分

评分

本帖子中包含更多资源

本帖子中包含更多资源

评分

评分

本帖子中包含更多资源

站长推荐 /2