在文本处理的过程中，图片和扫描件是无法绕开的数据类型，也是业界的处理难点，也是热点的优化方向。本篇文章将介绍一款相关的开源项目，该项目在github上拥有24.9k star，涨星飞快。它是一个OCR技术的集合体，能高效解决问题：
项目特点
-
免费：本项目所有代码开源，完全免费。
-
方便：解压即用，离线运行，无需网络。
-
高效：自带高效率的离线OCR引擎，内置多种语言识别库。
-
灵活：支持命令行、HTTP接口等外部调用方式。
-
功能：截图OCR / 批量OCR / PDF识别 / 二维码 / 公式识别
安装使用
# 下载地址https://hiroi-sora.lanzoul.com/s/umi-ocr （国内推荐，免注册/无限速）https://github.com/hiroi-sora/Umi-OCR/releases/latest
模块举例
文档识别
文档识别：
-
支持格式：
pdf, xps, epub, mobi, fb2, cbz。 -
对扫描件进行OCR，或提取原有文本。可输出为 双层可搜索PDF 。
-
支持设定 忽略区域 ，可用于排除页眉页脚的文字。
-
可设置任务完成后 自动关机/休眠 。
Umi-OCR的公司识别能力是基于Pix2Text实现的。Pix2Text 是一个开源OCR项目，能够识别既包含文字又包含数学公式的混合图片。
截图OCR
截图OCR：打开这一页后，就可以用快捷键唤起截图，识别图中的文字。
-
左侧的图片预览栏，可直接用鼠标划选复制。
-
右侧的识别记录栏，可以编辑文字，允许划选多个记录复制。
-
也支持在别处复制图片，粘贴到Umi-OCR进行识别。
关于 OCR文本后处理 – 排版解析方案：可以整理OCR结果的排版和顺序，使文本更适合阅读和使用。预设方案：
-
多栏-按自然段换行：适合大部分情景，自动识别多栏布局，按自然段规则进行换行。 -
多栏-总是换行：每段语句都进行换行。 -
多栏-无换行：强制将所有语句合并到同一行。 -
单栏-按自然段换行/总是换行/无换行：与上述类似，不过 不区分多栏布局。 -
单栏-保留缩进：适用于解析代码截图，保留行首缩进和行中空格。 -
不做处理：OCR引擎的原始输出，默认每段语句都进行换行。
上述方案，均能自动处理横排和竖排（从右到左）的排版。
未完待续，项目仍在持续迭代和优化中，进一步的使用可参见：
https://github.com/hiroi-sora/Umi-OCR
