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：
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）？
【问题讨论】：
标签： ocr
使用 OCR，目前有三种选择：
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】：
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。
【讨论】：
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。
【讨论】：
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。
【讨论】：
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。
【讨论】：
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：
【讨论】：
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。
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;
【讨论】：