百度飞桨OCR可替换微软MODI

[runqinshiye]

使用文字识别功能需要安装 Microsoft Office 2003（或2007）的 Document Imaging 组件（MODI）需要依赖微软office组件，近几天关注到基于百度飞桨OCR已经有大佬完成C#封装并可离线部署，期待可以双剑合璧。参考连接：
https://mp.weixin.qq.com/s/U6gLjz1kbnftLWnVbWDkow
https://github.com/sdcb/paddlesharp

[wmjordan]

MODI 在 Windows 10 好像已经用不了了。
这个看起来不错，希望可以用它替代 MODI。

[calcitem]

那么这样就具有类似 https://www.abbyy.cn/finereader/features/ 这样的基于 AI 的 OCR 了，确实不错😊

[wmjordan]

之前看了一下，识别功能再加上模型，大约有一百多兆之多，有点麻烦。我看看是否可能尽量避免 PDF 补丁丁直接依赖这个库，让它保持一定的独立性，让用户可以按需安装。

[woaidianqian]

使用文字识别功能需要安装 Microsoft Office 2003（或2007）的 Document Imaging 组件（MODI）需要依赖微软office组件，近几天关注到基于百度飞桨OCR已经有大佬完成C#封装并可离线部署，期待可以双剑合璧。参考连接：
https://mp.weixin.qq.com/s/U6gLjz1kbnftLWnVbWDkow
https://github.com/sdcb/paddlesharp

这个插件只支持64位系统，看来32位系统真的该淘汰了

[lelandyang]

其实最有名的OCR库莫过于Tesseract，从4.x开始就使用了AI模型，中文支持不错，成熟度高于Paddle，另外，由于是Google的国际上知名项目，被作者弃坑的概率比较小。

[wmjordan]

我很早之前就留意到 Tesseract，但是运行速度超慢，更重要的是识别效果很差。不知道近年来有何改进。

[wmjordan]

刚才找了一个网站测试 Tesseract 的中文识别效果，这个网站的源代码和 Tesseract 的版本同步得应该比较快。识别速度还是很慢，效果还是很不好，远不如十几二十年前的 MODI。我之前测试过百度的文本识别，速度很快（通过网络上传一幅图片，识别出结果，到在其网站上显示出结果，用最耗计算资源的最高精度模式，速度也不比本机运行 MODI 慢），而且效果的确很好。即使是弃坑了，也堪为我等所用。

[calcitem]

看起来百度似乎是有免费调用API的次数限制： https://ai.baidu.com/ai-doc/OCR/9k3h7xuv6

[lelandyang]

看起来百度似乎是有免费调用API的次数限制： https://ai.baidu.com/ai-doc/OCR/9k3h7xuv6

自从redhat公司discontinue了CentOS，我就感觉商业公司收费项目的开源版本要悠着点用。:-D

[wmjordan]

@calcitem , @lelandyang

@runqinshiye 已经给出了离线调用百度文字识别模块的开源项目包，我已经下载测试编译通过了。我稍微测试了一下，识别速度也很快。
简体汉字的识别准确率可能达不到在线 ai.baidu.com 那么高，但也能识别宋体、黑体、楷体文本，以及中英文混合文本，怎样都比 Tesseract 好（它连文字PDF转出来的图片的识别率都很低，遑论扫描图片和其它场景的图片了）。
繁体横排文本的识别率比较低，竖排文本的识别率就更低了，远不如 MODI，可能他们训练的模型样本还不太够。

[huyang174]

@wmjordan 大佬你好，请问你是否可以考虑兼容马健提取的MODI组件呢？
我发现安装他的组件之后用PDF补丁丁会显示支持法文识别，但是在识别英文图片的时候会报错误编号：-959971327
Object hasn't been initialized and can't be used yet。
网上找了几个英文的sharepoint designer 2007安装之后没法正常用PDF补丁丁的文字识别功能。
马健提取的MODI组件只有40兆，用他的FreePic2Pdf效果还是很好的，只是没办法直接在pdf上识别并叠加可搜索层，需要抽取成图片之后再处理。
MODI 说明链接：https://www.cnblogs.com/stronghorse/p/4913447.html

[wmjordan]

@huyang174
在 Windows 7 和早期的 Windows 10 上，安装了 MODI 是能使用的，但是到不知道哪个 Windows 版本开始就用不了。
FreePic2Pdf 在 Windows 10 上还能用 MODI 吗？

[huyang174]

@wmjordan
FreePic2Pdf 在我的Windows 10 家庭中文版 21H2 19044.1526 上面MODI功能工作正常。
我尝试了下在正常更新的Win7上用马健提取的MODI跑PDF补丁丁，可以正常识别，只是可选文字识别语言还是只有法文。、
看起来是Win10的锅了

刚刚用识别出来的结果叠加到PDF上，效果有点惨：

[wmjordan]

我尝试了下在正常更新的Win7上用马健提取的MODI跑PDF补丁丁，可以正常识别，只是可选文字识别语言还是只有法文

有个好消息，今天晚上我成功在我电脑上让 PDF 补丁丁调用 MODI 了。
我下载的那个安装包是把 MODI 的文件装到电脑了，但是没有完整地写入注册表信息，导致找不到中文的识别语言。

参考马健先生的 MODI 说明链接：https://www.cnblogs.com/stronghorse/p/4913447.html
将下面的代码保存为一个reg文件，导入注册表，在 PDF 补丁丁里就能找到简繁中文和英文三种语言了。

当然，要使用 MODI，还必须使用管理员来启动 PDF 补丁丁，否则还是会遇到调用失败的问题。

Windows Registry Editor Version 5.00

[HKEY_CLASSES_ROOT\Installer\Components\61BA386016BD0C340BBEAC273D84FD5F]
"1028"=hex(7):76,00,55,00,70,00,41,00,56,00,4f,00,65,00,64,00,40,00,24,00,21,\
00,21,00,21,00,21,00,21,00,4d,00,4b,00,4b,00,53,00,6b,00,4f,00,43,00,52,00,\
5f,00,31,00,30,00,32,00,38,00,3c,00,00,00,00,00
"2052"=hex(7):76,00,55,00,70,00,41,00,56,00,53,00,2e,00,7d,00,58,00,25,00,21,\
00,21,00,21,00,21,00,21,00,4d,00,4b,00,4b,00,53,00,6b,00,4f,00,43,00,52,00,\
5f,00,32,00,30,00,35,00,32,00,3c,00,00,00,00,00
"1033"=hex(7):76,00,55,00,70,00,41,00,56,00,54,00,28,00,38,00,41,00,24,00,21,\
00,21,00,21,00,21,00,21,00,4d,00,4b,00,4b,00,53,00,6b,00,4f,00,43,00,52,00,\
5f,00,31,00,30,00,33,00,33,00,3e,00,26,00,61,00,45,00,4d,00,61,00,65,00,2c,\
00,37,00,71,00,39,00,2a,00,44,00,58,00,64,00,55,00,40,00,45,00,50,00,69,00,\
3d,00,00,00,00,00

[huyang174]

@wmjordan 谢谢大佬！

[heham]

希望可以用paddle替代了，毕竟安卓上都有app使用离线的识别功能了，而且速度和准确率也还不错

[wmjordan]

我将PaddleSharp部署到本机，下载了模型和相关的依赖文件后发现：光是库文件和模型就已经差不多要400MB了。
不知道有没有人能精简一下，减少依赖的库？

[heham]

不是开发者，之前在手机关注一个autoX的工具，自带有paddle可离线ocr，似乎不大，整个安装包也就几十M，估计paddle占不超过20M甚至10M，或许是精简的模型，大模型可能大点，项目地址https://github.com/kkevsekk1/AutoX，供参考

[Charltsing]

各种OCR我都测试过了，唯一推荐的方法是使用在线接口。

可以试试白描的，这个支持网页提交，也就是说，我们可以直接利用它的api

其它还有很多，有些用多了需要交费，有些需要自己破解加密参数，都很麻烦。

[wmjordan]

白描的识别准确率的确很高，可惜只有文本，没有文字的坐标和尺寸。

[wmjordan]

不是开发者，之前在手机关注一个autoX的工具，自带有paddle可离线ocr，似乎不大，整个安装包也就几十M，估计paddle占不超过20M甚至10M，或许是精简的模型，大模型可能大点，项目地址https://github.com/kkevsekk1/AutoX，供参考

@heham 模型大一些还可以理解。问题是 PaddleSharp 依赖的库本身就已经达到一百多兆了。 😝

[lelandyang]

不是开发者，之前在手机关注一个autoX的工具，自带有paddle可离线ocr，似乎不大，整个安装包也就几十M，估计paddle占不超过20M甚至10M，或许是精简的模型，大模型可能大点，项目地址https://github.com/kkevsekk1/AutoX，供参考

@heham 模型大一些还可以理解。问题是 PaddleSharp 依赖的库本身就已经达到一百多兆了。 stuck_out_tongue_closed_eyes

我觉得不一定需要使用PaddleSharp，PanddleOCR支持C语言binding，由此我们可以直接使用C#调用C的接口识别。
参考：
[1] https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/deploy/cpp_infer/docs/windows_vs2019_build.md
[2] https://paddleinference.paddlepaddle.org.cn/user_guides/download_lib.html#python
[3] https://paddleinference.paddlepaddle.org.cn/quick_start/c_demo.html

[Charltsing]

我想起个阿里的智能图片翻译，这个api提供ocr功能，我记得可以返回位置和文本

因为图片编辑器需要这个信息来做编辑

[lelandyang]

我想起个阿里的智能图片翻译，这个api提供ocr功能，我记得可以返回位置和文本

因为图片编辑器需要这个信息来做编辑

我认为这个违背了开源免费，自主可控原则。毕竟有些人的PDF可能是公司或者个人的机密文件，不能上传的。

[heham]

不是开发者，之前在手机关注一个autoX的工具，自带有paddle可离线ocr，似乎不大，整个安装包也就几十M，估计paddle占不超过20M甚至10M，或许是精简的模型，大模型可能大点，项目地址https://github.com/kkevsekk1/AutoX，供参考

@heham 模型大一些还可以理解。问题是 PaddleSharp 依赖的库本身就已经达到一百多兆了。 😝

不太懂，原来也看到有人给做的ocr插件，总共就20来M的样子，可能是paddle lite

[wmjordan]

@lelandyang

是不一定需要使用 PaddleSharp。PaddleSharp这个.NET的库其实也很小，主要问题是它所依赖的C库巨大。

我觉得不一定需要使用PaddleSharp，PanddleOCR支持C语言binding，由此我们可以直接使用C#调用C的接口识别。 参考： [1] https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/deploy/cpp_infer/docs/windows_vs2019_build.md [2] https://paddleinference.paddlepaddle.org.cn/user_guides/download_lib.html#python [3] https://paddleinference.paddlepaddle.org.cn/quick_start/c_demo.html

[wmjordan]

有没有网友知道在哪里可以下载到识别率比较高、至少支持 GB2312 全字符集的 Tesseract 训练数据呢？