需要良好的OCR打印源代码清单，有什么想法吗？

Question

在我的工作中，有时我需要一些打印的源代码，并手动将源代码输入到文本编辑器中。不要问为什么。

显然，输入它需要很长的时间，而且总是需要额外的时间来调试输入错误(oops遗漏了一个"$“签名)。

我决定尝试一些OCR解决方案，比如：

• Microsoft已构建在OCR 中
  • 结果:遗漏了所有的空格，漏掉了所有的下划线，错误地解释了许多标点符号。
  • 结论:比手工输入代码要慢。

​

• 各种在线网络OCR应用程序
  • 结果:与Microsoft文档映像相似或更糟
  • 结论:比手工输入代码要慢。

​

我觉得源代码非常容易OCR，因为字体是无衬线和单空格。

你们中有人找到了一个很好的OCR解决方案吗？

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)？

Answer 1

关于OCR，目前有三种选择：

• FineReader和OminPage.这两种产品都是商业产品，在功能和OCR结果方面都差不多。关于OmniPage，我不能说太多，但是FineReader确实提供了对读取源代码的支持(例如，它有一个Java库)。
• 最好的OSS引擎是特塞尔。使用起来要难得多，你可能需要把它训练成你的语言。

我很少使用OCR，但我发现，花费150美元在商业软件上的花费，远远抵消了浪费的时间。

Answer 2

今天(问题提出数年后)有两个新的选择：

1.)

Windows 10附带了微软的OCR引擎。

它位于名称空间中：

Windows.Media.Ocr.OcrEngine

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

还有一个关于Github的例子：

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

您需要VS2015来编译这些东西。或者，如果您想使用Visual的旧版本，则必须通过传统COM调用它，然后在Codeproject：http://www.codeproject.com/Articles/262151/Visual-Cplusplus-and-WinRT-Metro-Some-fundamentals上阅读本文

OCR质量很好。然而，如果文本太小，您必须放大图像之前。您可以通过Windows下载世界上存在的每一种语言--即使是手写的！

2.)

另一种选择是使用Office中的OCR库。它是一个COM DLL。它可在Office2003、2007和Vista中使用，但已在Office2010中删除。

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

缺点是每个Office安装都支持很少的语言。例如，西班牙办事处安装对西班牙语、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语言来检测西班牙文本，几乎没有什么区别。

如果将图像转换为灰度，则会得到更好的结果。承认是可以的，但我并不满意。虽然Tesseract需要更多的图像预处理才能得到这些结果，但它所产生的误差几乎与Tesseract一样多。

Answer 3

试试http://www.free-ocr.com/。当我的IDE在没有警告的情况下在编辑器会话中崩溃时，我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中使用了CourierNew10pt)。我试着使用Google，当你上传它时，它会显示一个图像--虽然Google在扫描文档上很好，但是由于某种原因，它在Pascal源上失败了。

工作中的FreeOCR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 ;

因此，替换缩进是工作的主要内容，然后将所有的5改为大写的S。它还被80列标记处的垂直线搞混了。幸运的是，大多数错误将被编译器发现(除了引号字符串中的错误外)。

遗憾的是，FreeOCR没有一个“源代码”选项，在这个选项中，空白被视为非常重要。

提示:如果您的源代码包含语法高亮显示，请确保在上传之前将图像保存为灰度。