Umi-OCR一款火遍全网的智能文字识别工具
前言
在人工智能兴起的当下，AI正以不可思议的速度重塑着每一个行业。在笔者看来，AI处理能力强弱的最核心的评判指标终将是数据，先是数据质量，再是数据规模。两者任何一个的差距都将是能力强弱的分水岭。那么接踵而至数据从哪里来？我们又将要如何提取数据？...本文的这款软件将会重点帮我们解决如何从图片、二维码、PDF等介质中提取文件内容的问题，相信大家读完本文后会有一定的收获。
介绍
Umi-OCR 是一个免费、开源的可批量处理的离线OCR软件。它基于paddle，适用于 Windows7 x64 及以上版本。它支持截图OCR / 批量OCR / 二维码 / 公式识别（测试中） / PDF识别（测试中）等多种形式内容的识别。还支持命令行与http接口等调用方式。另外，它还支持批量OCR处理。
特点
- 免费：所有代码开源且完全免费。
- 方便：解压即用，离线运行，无需网络。
- 高效：自带高效率离线OCR引擎。
- 灵活：支持命令行、HTTP接口等多种调用方式。
- 功能：截图OCR / 批量OCR / 二维码 / 公式识别（测试中） / PDF识别（测试中）
功能目录
- 截图识别
- 段落合并 - 优化不同文字排版
- 批量识别
- 忽略区域 - 排除截图水印处的文字
- 二维码 - 支持扫码或生成二维码图片
- 文档识别- 从PDF扫描件中提取文本，或转为双层可搜索PDF
- 全局设置 - 添加更多PP-OCR支持的语言模型库！
- 命令行调用
- HTTP接口
- 构建项目
使用源码打包
开发者可以使用源码来构建打包，但在使用源码前，务必阅读并遵循构建项目的相关指南来进行。
构建项目的指南：https://github.com/hiroi-sora/Umi-OCR?tab=readme-ov-file#%E6%9E%84%E5%BB%BA%E9%A1%B9%E7%9B%AE
直接下载包使用
- 下载地址:
可以在GitHub[1] 和蓝奏云[2]或者Source Forge[3]上下载包。
- 使用方式:
软件发布包下载为 .7z 或 .7z.exe，自解压包可在没有安装压缩软件的电脑上，解压文件。解压后，点击 Umi-OCR.exe 即可启动程序，无需安装。如遇任何问题，可以在github上提issue。
多种语言支持
Umi-OCR 支持多国语言。在第一次打开软件时，将会根据电脑的系统设置，自动切换语言。
目前中英文都是支持的，如果需要手动切换语言，请参考下图，全局设置→语言/Language 。
界面设计——标签页
Umi-OCR v2 界面设计风格像浏览器一样由一系列灵活好用的标签页组成。您可按照自己的喜好，打开需要的标签页，在每个标签页上进行特定的功能操作。
窗口的设计很人性化，在标签栏左上角可以切换窗口置顶。右上角能够锁定标签页，以防止日常使用中误触关闭标签页后导致数据丢失。
截图OCR识别示例
截图OCR功能：打开这一页后，就可以用快捷键唤起截图，从而识别图中的文字。
-
使用快捷键唤起截图，识别图中的文字。
-
左侧图片预览栏可直接用鼠标划选复制（有点类似于微信图片上的文字识别复制功能）。
-
右侧识别记录栏可编辑文字，允许划选多个记录复制。
识别后段落合并
关于OCR文本后处理 - 段落合并：可以帮助整理OCR结果的排版和顺序，使文本更适合阅读和使用。
预设方案选项：
•单行：合并同一行的文字，适合绝大部分情景。 •多行-自然段：智能识别、合并属于同一段落的文字，适合绝大部分情景，如上图所示。 •多行-代码段：尽可能还原原始排版的缩进与空格。适合识别代码片段，或需要保留空格的场景。 •竖排：适合竖排排版。需要与同样支持竖排识别的模型库配合使用。
批量OCR识别
批量OCR：这一页支持批量导入本地图片并识别。
- 识别内容可以保存为 txt / jsonl / md / csv(Excel) 等多种格式。
- 支持文本后处理技术，能识别属于同一自然段的文字，并将其合并。还支持代码段、竖排文本等多种处理方案。
- 没有数量上限，可一次性导入几百张图片进行任务（前提是机器性能跟得上，不然会比较慢）。
- 支持任务完成后自动关机/待机。
识别时忽略部分不需要识别的区域
关于 OCR文本后处理 - 忽略区域：批量OCR中的一种特殊功能，适用于排除图片中的不想要的文字。
- 在批量识别页的右栏设置中可进入忽略区域编辑器。
- 如上方样例，图片顶部和右下角存在多个水印 / LOGO。如果批量识别这类图片，水印会对识别结果造成干扰。
- 按住右键，绘制多个矩形框。这些区域内的文字将在任务中被忽略。
- 请尽量将矩形框画得大一些，完全包裹住水印所有可能出现的位置。
二维码识别与生成
扫码识别：
- 可截图/粘贴/拖入本地图片，读取其中的二维码、条形码。
- 支持一图多码。
- 支持19种协议，如下：
Aztec,Codabar,Code128,Code39,Code93,DataBar,DataBarExpanded,DataMatrix,EAN13,EAN8,ITF,LinearCodes,MatrixCodes,MaxiCode,MicroQRCode,PDF417,QRCode,UPCA,UPCE,
生成二维码：
- 输入文本，生成二维码图片。
- 支持19种协议和纠错等级等参数。
文档识别
仅在 最新测试版 中支持。
文档识别：
- 支持导入pdf, xps, epub, mobi, fb2,cbz格式的文件。
- 支持识别扫描件，转为文本文件（支持所有格式文档）或可搜索双层PDF（仅支持原文件为pdf格式）。
- 支持设定忽略区域，可排除页眉页脚的文字。
全局设置参数
全局设置：在这里可以调整软件的全局参数。常用功能如下：
- 一键添加快捷方式或设置开机自启。
- 更改界面语言。Umi支持繁中、英 语、日语等语言。
- 切换界面主题。Umi拥有多个亮/暗主题。
- 调整界面文字的大小和字体。
- 切换OCR插件。
- 渲染器：软件界面默认支持显卡加速渲染。如果在你的机器上出现截屏闪烁、UI错位的情况，请调整界面和外观 → 渲染器 ，尝试切换到不同渲染方案，或关闭硬件加速
接口调用支持
Umi-OCR可以提供图片识别server类型的服务，一方面它的exe文件可以作为主程序入口，提供命令行模式下的调用。另一方面，它可以对外提供http服务，可以用http接口的形式来访问。
命令行接口
•命令行手册：请参阅项目中的README_CLI.md文件，其中包含了关于如何使用命令行接口进行OCR操作的详细说明。 文档地址：https://github.com/hiroi-sora/Umi-OCR/blob/main/docs/README_CLI.md
HTTP接口
•HTTP接口手册：具体使用方法请查看README_HTTP.md文件，该文件提供了HTTP接口的详细文档，包括API调用方式、参数说明等。 文档地址：https://github.com/hiroi-sora/Umi-OCR/blob/main/docs/README_HTTP.md
协助软件界面翻译
•参与翻译：请访问dev-tools/i18n目录，该目录包含了软件界面翻译的相关资源和说明。 文档地址：https://github.com/hiroi-sora/Umi-OCR/blob/main/dev-tools/i18n
总结
Umi-OCR是一款相对来说比较好用的OCR软件，一方面它开箱即用，有着良好的交互设计，不需要太多的理解成本；另一方面，它支持多种形式的内容识别，用户用一款软件便可解决多种形式的问题。更为重要的是，它自带高效率离线OCR引擎，且支持命令行和http调用，为很多应用场景提供了使用的可能。