作者：馬健
郵箱：[email protected]
主頁：http://www.comicer.com/stronghorse
釋出：2022.05.29

一、相關問題及解答

Q：MODI是什麼？
A：MODI是Microsoft Office Document Imaging的簡稱，是微軟在Office 2003、2007中提供的一套OCR工具元件，用於將掃描影象檔案或傳真檔案識別成可編輯的文字。從Office 2010起，OCR功能轉移至OneNote中，因此不再提供MODI元件。但使用從Office 2007中提取的MODI精簡版，或微軟官方提供的免費版SharePointDesigner安裝包單獨安裝MODI，均能與後續版本的Offcie共存，測試過從Office 2010到Office 2019的各版本。

Q：有了Acrobat、Abbyy等軟體，為什麼還要用MODI做OCR？
A：如果是OCR單頁影象，其實可供使用的工具很多，有線上的，也有離線的。但如果是要OCR整本書，可供使用的軟體就少得多。這些工具需要解決以下問題：

1. 整本書以什麼檔案格式為載體？Acrobat、Abbyy都是以PDF為載體，MODI以多頁TIFF和MDI檔案為載體。多頁TIFF還好說，MDI檔案格式在Office 2007之後就成為絕響。
2. OCR結果以什麼格式存放？Acrobat、Abbyy都是以PDF為載體，OCR結果也就放在PDF中。MODI可以把OCR結果封裝到多頁TIFF或MDI檔案中，也可以把結果傳送到WORD中——這是我最喜歡的功能，也是我一直折騰MODI的動力。

PDF中的文字有一個毛病：有文字，無排版。即PDF中的文字最多是按行合併，但不會把行合併成段落，這樣的文字匯出、複製到WORD中，不排版根本沒法用，手工排版又太累。但MODI傳送到WORD中的OCR結果是經過排版（段落合併）的，雖然排版效果有時候也不太靠譜，但大多數情況下還是可用的，至少可以省掉很多事情。

Q：現在提供的精簡版MODI，與以前提供的MODI OCR引擎有什麼關係？
A：以前我曾在我的網盤上提供過從Office 2007 SP3中提取的支援21種語言OCR的OCR引擎，但引擎畢竟只是引擎，它不含使用者介面，所以只能被其他軟體工具所呼叫，例如DjVuTou、FreePic2Pdf、IdxSubOcr、Pdg2Pic、UnicorViewer等。但這次提供的精簡版MODI包含GUI使用者介面，可以直接對多頁TIFF進行OCR，並將結果傳送到WORD。另外：

1. 精簡版MODI中已經含了21種語言的OCR引擎，所以安裝了精簡版MODI後，可以不再安裝MODI OCR引擎，即可在DjVuTou、FreePic2Pdf、IdxSubOcr、Pdg2Pic、UnicorViewer等軟體中執行OCR功能。
2. 以前封裝的MODI OCR引擎在Win7、Win10下，要求呼叫程式必須以管理員許可權執行，否則可能OCR失敗。這次封裝MODI精簡版已經解決了這個問題，所以如果安裝的是精簡版MODI或新封裝的MODI OCR引擎，將不再要求呼叫MODI OCR引擎的程式必須以管理員許可權執行。

Q：精簡版MODI與原版MODI相比，有什麼區別？
A：與原版MODI相比最大的區別是“精簡”：以簡體中文SharePointDesigner安裝包為例，只安裝MODI（從本機執行全部程式，含虛擬列印驅動）、簡體中文校對工具_光學字元識別模組（OCR）、英語校對工具_光學字元識別模組（OCR），檔案總長度704 MB，且只能OCR簡體中文、英語兩種語言。而簡體中文版的精簡版MODI安裝後文件總長度僅86.2 MB，即完整版的檔案長度是精簡版的8倍還多，且精簡版能OCR 21種而不是區區兩種語言。另外精簡版還精簡掉了以下東東：

1. MDI格式印表機（MODI Writer）。眾所周知，Office 2007只有32位版，Office 2010才有64位版，所以這個列印驅動在原始官方安裝包中就只有32位版，在64位Windows下安裝的時候也不含這個印表機。現在誰還在用32位版Windows的請站出來讓我瞻仰一下？
2. 匯入為MDI格式。這個依賴於MDI印表機，沒有印表機也就沒有什麼意義。
3. 用掃描器掃描成多頁TIFF或MDI檔案。我目前沒有掃描器，沒法測試這個功能，不如直接幹掉。不過有掃描器的時候我更習慣使用掃描器自帶的軟體，所以沒有就沒有吧。

二、安裝MODI，準備OCR

安裝方法一：通過封裝好的安裝包進行安裝，適合普通、不喜折騰的使用者

如果打算安裝精簡版，從我的網盤下載精簡版安裝包，雙擊執行，選擇語言後就是一鍵安裝，安裝完直接支援21種語言的OCR。

如果對我封裝的精簡版表示信不過，也可以到我的網盤下載來自微軟官網的SharePointDesigner安裝包，用那個安裝MODI，在微軟官網上有圖文並茂的完整安裝步驟說明：
http://support.microsoft.com/kb/982760/

安裝方法二：通過批處理安裝，適合程式設計師或者不折騰就不舒服斯基的使用者

請從我的網盤下載批處理版安裝zip包，解壓後按照說明檔案的說明執行批處理進行安裝。看得懂安裝批處理，就能知道具體的安裝過程，因此對於程式設計師而言如果自己的程式呼叫了MODI引擎，就可以把MODI引擎照此封裝到自己的安裝包中，與自己的軟體一起發行。

三、用MODI做OCR並將結果傳送到WORD

OCR之前先要準備好需要OCR的影象檔案。MODI支援多頁TIFF和MDI兩種格式，如果你使用的是32位版Windows，或者是32位版Windows（如XP）虛擬機器，可以選擇用SharePointDesigner安裝完整版，含MODI Writer印表機，然後就可以把需要OCR的影象列印到MODI Writer印表機，形成MDI文件。

如果用的是64位Windows，就只能準備多頁TIFF。我的準備步驟是：

1. 用ComicEnhancerPro（CEP）處理需要OCR的影象，顏色選“純黑白”，存為單頁TIFF。
2. 用TiffToy把單頁TIFF合併成多頁TIFF。

理論上說如果省略第1步，直接把JPG、PNG等檔案用TiffToy合併成多頁TIFF，也可以在MODI裡做OCR。但所有的OCR操作均只針對二值化（純黑白）影象，所以這樣做其實就是由MODI自己在內部做二值化工作，但講真我絕對不信MODI的二值化能做到CEP的程度，所以我寧願自己在CEP裡處理，就不麻煩MODI了。

準備好需要OCR的多頁TIFF或MDI檔案後，就可以開始OCR：

1. 執行MSPVIEW，啟動MODI使用者介面。如果安裝的是精簡版MODI，會在桌面上建立MSPVIEW圖示，雙擊即可執行，或者從開始選單的MODI選單組中選擇MSPVIEW執行，注意在選單組裡如果不小心點了uninstall就變成刪除MODI了。如果是從SharePointDesigner安裝的MODI完整版，則在開始選單中點選“Micorsoft Office -> Micorsoft Office工具 -> Microsoft Office Document Imaging”選單項執行。
2. 點選工具條最左側的“開啟”按鈕，開啟需要OCR的多頁TIFF或MDI檔案。
3. 如果有必要，點選“工具 -> 選項”選單，在OCR頁籤中選擇OCR語言。該頁籤中的“自動旋轉”、“自動拉伸”這兩個選項一般也要去掉勾選，否則影象可能莫名其妙就被旋轉了。該頁籤中的選項會被記錄到登錄檔裡，所以選擇過一次以後，後續OCR都會自動按照此選項操作。
4. 點選工具條上的“將文字傳送到WORD”按鈕，或點選“工具 -> 將文字傳送到WORD...”選單項，把“預設資料夾”改成你希望存放結果檔案的資料夾，點選“確定”按鈕。
5. 彈出提示“Microsoft Office Document Imaging 必須在您執行此操作前識別該文件中的文字(OCR)。這可能需要一些時間。”，點選“確定”按鈕。等待OCR結束，會自動開啟WORD並調入結果檔案。如果電腦或虛擬機器裡沒有裝WORD，則會提示“無法啟動 Microsoft Word。請檢查該計算機上是否已安裝該程式並設定正確。”，但不影響結果檔案的生成。
6. 生成的結果檔案是html檔案，就放在所選的“預設資料夾”下。如果其中有插圖，會單獨建立一個子資料夾存放插圖。不過一般我都是直接在WORD裡另存為文字檔案或WORD檔案，方便校對。

四、用MODI做OCR的一些限制

我曾經在《用MODI OCR 21種語言》裡說過，MODI支援的亞洲語言包括簡體、繁體、日文、朝鮮語，這4種語言的OCR引擎都由清華文通（Tsinghua Wintone）出品。清華文通的其他產品我沒用過，但MODI中的中日韓OCR引擎卻存在下列問題，使用時務必注意：

1. 如果最終的識別結果不足8個漢字，則會返回OCR結果為空。IdxSubOcr、UnicorViewer等軟體對此的解決辦法是“拼圖”，即把需要識別的影象重複排列，或者多個需要OCR的影象拼接在一起OCR，確保OCR結果不少於8個漢字。
2. 如果需要識別的影象中含有插圖、表格，則OCR引擎會變得極不穩定，一言不合就死給你看。在DjVuTou、FreePic2Pdf、Pdg2Pic、UnicorViewer等軟體中分兩個部分解決這個問題，第一是在OCR之前先對影象進行預處理，即這些軟體介面中“去掉大於頁面尺寸1/n的圖表”選項。預處理雖然不能杜絕OCR引擎故障，但可以大大降低故障出現的概率。第二是把OCR功能放到獨立的程序中，即MODI_Engine.exe，其他軟體通過程序間通訊（IPC）呼叫它，它再呼叫MODI，如果MODI引擎掛了，掛的也是MODI_Engine.exe程序，不是呼叫MODI_Engine.exe的程序，這就是程式設計師經常說的“執行緒是不安全的，程序是”。
3. OCR過程中存在累積性的資源洩露，即連續OCR到300多頁後，就可能出各種么蛾子。因此在TiffToy的“檔案合併”功能中，預設情況下是每300頁合併成一個多頁TIFF檔案，一次就OCR這麼多。如果是自己寫的軟體呼叫MODI，則最好是用上面的方法進行解決，即每OCR 300頁左右，就重啟一次MODI_Engine.exe程序。
4. MODI只有32位版，不能直接被64位應用所呼叫。這個也是用上面的方法，IPC可以在32位和64位軟體之間通訊。

儘管存在上面各種問題，但MODI，尤其是MODI引擎仍然是目前能找到的最好的免費離線版OCR引擎。畢竟是商業級OCR引擎，tesseract之流拍馬也追不上。

（完）