[转老马的文章]MODI中的OCR模块
作者：马健
邮箱：stronghorse_mj@hotmail.com
发布：2012.07.02
更新：
2012.07.09
补充非简体中文版内容
自从基于MODI的DjVuToy、FreePic2Pdf、Pdg2Pic发布后，很多人就在问同一个问题：能不能在不装Office 2003/2007或SharePoint Designer 2007的情况下，让基于MODI的软件正常OCR？毕竟对于简体中文来说，就算只装SharePoint Designer 2007中的MODI，也要近650 MB，装Office 2007的MODI则更夸张，要近1 GB。
想解决这个问题，需要从MODI中OCR模块的来历说起。在《用MODI OCR 21种语言》一文中已经说过，MODI其实只是封装了ScanSoft API，而google（注意我说的是google，不是baidu）一下关键词“ScanSoft API”，可以发现两个网页：
http://www.corrupteddatarecovery.com/Products/ScanSoft-API.asp
http://www.corrupteddatarecovery.com/Products/Asian-OCR-for-ScanSoft-API.asp
从这两个帖子及其他一些相关信息推断，ScanSoft API封装了清华文通以支持亚洲语言，而MODI又在ScanSoft API上封装出MODI接口，并在此基础上提供MODI应用（MSPVIEW.EXE），整个层次结构应该如下图所示：
—————— MSPVIEW.EXE
应用层 ┃
—————— MODI接口
接口层 ┃
ScanSoft API
┏━━━━━┻━━━━━┓
┃ ScanSoft API亚洲语言支持（清华文通）
—————— ┃ ┃
数据层 西欧11国、东欧3国、 亚洲语言文件
俄、希、土语言文件 （简、繁、日、朝）
从上图看，如果只想调用MODI接口，不需要应用层的支持，可以有以下选择：
- 直接调用ScanSoft API。这个比较有难度，至少我到目前为止还找不到相关文档。
- 还是调用MODI接口，至少这个的文档是公开的。
所以上面的问题就转换成了：能否抽取出支持MODI接口的最小集合，实现OCR接口功能？
身为资深技术人员，对于这种问题的回答当然不能胡言乱语，而应该以实验为基础：
1、搞一个干净的XP SP3虚拟机，再复制一份，姑且命名为“虚拟机A”、“虚拟机B”。
2、在虚拟机A中安装InstallRite 2.5，用它监视安装SharePoint Designer 2007中的MODI。
3、安装完成后，用InstallRite导出安装后新的注册表，命名为aaa.reg。
4、将虚拟机A中的两个文件夹
C:\Program Files\Common Files\Microsoft Shared\MODI
C:\Program Files\Common Files\Microsoft Shared\OFFICE12
复制到虚拟机B，并将aaa.reg导入虚拟机B。毕竟MODI接口是COM接口，与注册表无关的COM接口是不存在的。
5、运行DjVuToy、FreePic2Pdf或Pdg2Pic，可以验证在虚拟机B中能够用第三方软件正常OCR，只不过每OCR一页都要自动安装一次文件，似乎注册表中掺入了垃圾。
以上可行性实验清楚表明：
1、在不安装Office或SharePoint Designer的情况下，可以通过复制相关文件和注册表项，为第三方软件提供OCR支持。
2、对于简体中文来说，单独安装Office 2007中的MODI需要约1 GB硬盘空间，单独安装SharePoint Designer 2007中的MODI则需约650 MB，而上面两个文件夹加起来也只有约76 MB，何况中间还有水分可挤，空间的节省还是很可观的，所以这笔买卖做得过。
无聊但又必不可少的理论扯完了，下面开始进入实战：哪些文件和注册表项才是必不可少的？
先说文件。上面两个URL中的内容，其实已经说明了接口层中ScanSoft API所需的文件，剩下需要解决的就是MODI接口部分的文件。
在第三方软件中调用MODI接口的初始化代码为：
IDocument doc;
doc.CreateDispatch(_T("MODI.Document"));
在注册表中搜索字符串“MODI.Document”，可以知道此COM对象对应的DLL是MODI安装文件夹下的MDIVWCTL.DLL。再看一眼VC++的Debug窗口，可以知道在调用此DLL后，还接着调用了同文件夹下的MSPGIMME.DLL、MSPCORE.DLL，及OFFICE12文件夹下的MSO.DLL等。从文件属性看，这些文件都是微软鼓捣出来的，因此可以认为是接口层中MODI接口部分的东西。
从VC++的Debug窗口输出信息看，除了上述DLL文件外，OCR过程中还加载了MODI安装文件夹下的XOCR3.PSP、THOCR.PSP、XFILE.PSP。这3个文件虽然扩展名是PSP，但其实是DLL文件，从文件属性看属于ScanSoft API的范畴，可以看作是对上面两个URL中内容的补充。
另外VC++的Debug窗口中还记录到OCR过程调用了OFFICE12文件夹下的OGL.DLL、MSORES.DLL、2052\MSOINTL.DLL，但在后来的回归性测试中证明，在对注册表项进行简化后，这几个文件没有也没关系。
结合上面分析，及《用MODI OCR 21种语言》中的相关信息，可知要OCR简体中文、英语，至少需要的文件如下表所示，加一起也就约30 MB。其中“说明”部分的英文是从DLL文件的文件属性中复制过来的，中文是我自己加的；数据层的数据文件是用文件监视器抓取的。
| 层次 | 文件名 | 说明 | |
| 接口层 | MODI | MDIVWCTL.DLL | Microsoft Office Document Imaging Viewer Control |
| MSPCORE.DLL | Microsoft® Office Document Imaging Object Library | ||
| MSPGIMME.DLL | Microsoft® Gimme library | ||
| OFFICE12\MSO.DLL | 2007 Microsoft Office component | ||
| ScanSpft API |
BINDER.DLL | XDoc Binder module for the ScanSoft SDK | |
| PSOM.DLL | Component Management Module for PefectScan API | ||
| XIMAGE3B.DLL | Image Processing Module for the ScanSoft SDK | ||
| XPAGE3C.DLL | Page Management Module for ScanSoft SDK | ||
| XOCR3.PSP | OCR Module for ScanSoft SDK | ||
| XFILE.PSP | Asian OCR Module for ScanSoft SDK | ||
| THOCR.PSP | Asian OCR Module for ScanSoft SDK | ||
| ScanSoft API亚洲 语言 |
FORM.DLL | Table Recognition for Asian OCR | |
| REVERSE.DLL | Reverse Video Detection for Asian OCR | ||
| THOCRAPI.DLL | Asian OCR API | ||
| TWCUTCHR.DLL | Character Segmentation for Asian OCR | ||
| TWCUTLIN.DLL | Line Segmentation for Asian OCR | ||
| TWLAY32.DLL | Layout Analysis for Asian OCR | ||
| TWORIENT.DLL | Orientataion Detection for Asian OCR | ||
| TWRECC.DLL | Chinese Recognition for Asian OCR | ||
| TWRECE.DLL | English Recognition for Asian OCR | ||
| TWRECS.DLL | Punctuation Recognition for Asian OCR | ||
| TWSTRUCT.DLL | Document Structure Processing for Asian OCR | ||
| 数据层 | 英文 | LATIN1.SHP | 西欧11国（含英文）通用特征库 |
| CharSetTable.chr | 字符编码转换表，文本文件 | ||
| ENGLISH.LNG | 英文语言文件 | ||
| 简体中文 | ENGDIC.DAT | 清华文通的英文字典文件，貌似它也支持中、英文 | |
| ENGIDX.DAT | 清华文通的英文索引 | ||
| JFONT.DAT | |||
| LOOKUP.DAT | |||
| OCRHC.DAT | |||
| OCRVC.DAT | |||
| TWGB32.DLL | Simplified Chinese code Conversion | ||
| SCCODE.UNI | |||
| SCPRINT.DAT | |||
| SCPRINT2.DAT | |||
| SCSERHT.DAT | |||
| SCTREE.DAT | |||
| TW_GU.DAT | |||
| TW_UG.DAT | |||
如果还想增加对其他语言的OCR能力，可以参阅《用MODI OCR 21种语言》，增加相关语言对应的文件。
另外在上表中，在PSOM.DLL文件描述中出现了一个新的名字：PefectScan API。google了一下，找到其官网http://perfectscan.com/，从介绍上看是做图像处理的：
PerfectScan is an image processing program that automatically analyzes an image, then makes adjustments to that image rendering a black and white image that contains all viewable data as if it were a gray scale scan, only at 15% of the size of a gray scale image.
看来MODI还真是一个大杂烩。不过PefectScan官网上的一句话，感觉道尽了程序员的悲凉：
We built the software after 10 years of hard work, now all we have to do is build the website...OOPS!!
言归正传。搞定文件后，还需要搞定注册表项才行。与MODI相关的注册表项包括两个部分：COM相关与Office相关。
COM相关就是与MODI的COM组件相关的注册表项，这个直接用regsvr32导入即可：启动命令行，进入MODI安装文件夹，执行下面的命令：
regsvr32 MDIVWCTL.DLL
regsvr32 MSPCORE.DLL
即可完成MODI COM组件的注册。
但与Office相关的注册表项就没那么好搞定了。我曾经试过用注册表监视器对OCR过程进行监视，结果发现真相淹没在了细节的海洋里。最终不得不采用了一个笨办法：专门写了一套测试软件，在前面的可行性实验中搭建的虚拟机B里猛跑，逐一尝试删除从aaa.reg中导入的注册表项，每删除一项就检查一下对OCR会不会造成影响。最终试出来约20个注册表项是必不可少的，其中近一半与前面用regsvr32注册COM组件时自动插入的注册表项重复。
最终经过手工调整后，确认在上面表格所列文件及COM注册基础上，再增加下列注册表项即可正常用第三方软件在简体中文环境下OCR简体中文、英文：
[HKEY_CLASSES_ROOT\Installer\Components\61BA386016BD0C340BBEAC273D84FD5F]
"2052"=hex(7):76,00,55,00,70,00,41,00,56,00,53,00,2e,00,7d,00,58,00,25,00,21,\
00,21,00,21,00,21,00,21,00,4d,00,4b,00,4b,00,53,00,6b,00,4f,00,43,00,52,00,\
5f,00,32,00,30,00,35,00,32,00,3c,00,00,00,00,00
[HKEY_CLASSES_ROOT\Installer\Features\00002109F10040800000000000F01FEC]
"OCR_2052"=""
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Products\00002109F10040800000000000F01FEC\Features]
"OCR_2052"="%mEMae,7q9*DXdU@EPi="
[HKEY_CLASSES_ROOT\Installer\Products\00002109710000000000000000F01FEC]
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Components\3F745FF6A76FF2F4797DB74FC7B3FD8B]
"00002109710000000000000000F01FEC"="C:\\Program Files\\Common Files\\Microsoft Shared\\MODI\\12.0\\XPAGE3C.DLL"
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Components\4080B9FA1A0BBF34FB7813E87159FC64]
"00002109F10040800000000000F01FEC"="C:\\Program Files\\Common Files\\Microsoft Shared\\MODI\\12.0\\SCCODE.UNI"
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Components\48AD0082D02B3D24C9A56FA50728CCAB]
"00002109710000000000000000F01FEC"="C:\\Program Files\\Common Files\\Microsoft Shared\\MODI\\12.0\\MSPCORE.DLL"
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Components\D94C8360B8BB1DC41B1950E0F8237563]
"00002109710000000000000000F01FEC"="C:\\Program Files\\Common Files\\Microsoft Shared\\OFFICE12\\MSO.DLL"
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Products\00002109710000000000000000F01FEC\InstallProperties]
"WindowsInstaller"=dword:00000001
前三项的语言编码2052对应简体中文，但只要文件不缺，OCR中文、英文或其他语言都没有问题。不过在面对其他国家的用户时，解释采用简体中文的语言编码还是有点费劲，所以仍然需要继续尝试其他语言编码。
把两个虚拟机复原，重复上面可行性实验步骤：在虚拟机A中监视安装英文版SharePoint Designer 2007（安装后支持英、法、西班牙语），导出安装后的注册表和文件到虚拟机B，用同一套测试软件进行检查，出来的是不是与英文语言编码1033相关的注册表项呢？错，大错特错，跑出来不能删的是与法语（语言编码1036）相关的注册表项：
[HKEY_CLASSES_ROOT\Installer\Components\61BA386016BD0C340BBEAC273D84FD5F]
"1036"=hex(7):76,00,55,00,70,00,41,00,56,00,57,00,3f,00,57,00,41,00,24,00,21,\
00,21,00,21,00,21,00,21,00,4d,00,4b,00,4b,00,53,00,6b,00,4f,00,43,00,52,00,\
5f,00,31,00,30,00,33,00,36,00,3c,00,00,00,00,00
[HKEY_CLASSES_ROOT\Installer\Features\00002109F100C0400000000000F01FEC]
"OCR_1036"=""
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Products\00002109F100C0400000000000F01FEC\Features]
"OCR_1036"=")aEMae,7q9*DXdU@EPi="
[HKEY_CLASSES_ROOT\Installer\Products\00002109710000000000000000F01FEC]
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Components\3F745FF6A76FF2F4797DB74FC7B3FD8B]
"00002109710000000000000000F01FEC"="C:\\Program Files\\Common Files\\Microsoft Shared\\MODI\\12.0\\XPAGE3C.DLL"
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Components\48AD0082D02B3D24C9A56FA50728CCAB]
"00002109710000000000000000F01FEC"="C:\\Program Files\\Common Files\\Microsoft Shared\\MODI\\12.0\\MSPCORE.DLL"
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Components\C040B9FA1A0BBF34FB7813E87159FC64]
"00002109F100C0400000000000F01FEC"="C:\\Program Files\\Common Files\\Microsoft Shared\\MODI\\12.0\\FRENCH.LNG"
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Components\D94C8360B8BB1DC41B1950E0F8237563]
"00002109710000000000000000F01FEC"="C:\\Program Files\\Common Files\\Microsoft Shared\\OFFICE12\\MSO.DLL"
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Products\00002109710000000000000000F01FEC\InstallProperties]
"WindowsInstaller"=dword:00000001
对比两个结果，可以看出：
- 与语言相关的注册表项共4项，其他注册表项都是相同的。
- 与语言相关的注册表项前3项直接用语言编码标识，第4项用语言文件标识，简体中文的文件是SCCODE.UNI，法语是FRENCH.LNG。
- 与语言相关的注册表项键值不是随便乱起的，是在产品基本键值（SharePoint Designer的基本键值是00002109710000000000000000F01FEC）的基础上，叠加相关语言编码（简体中文语言编码2052，十六进制0804，Intel表示为0408；法语语言编码1036，Intel表示为0C04）。敢这么玩GUID的我就见过这么一个，别人似乎都没这胆子。
- 不管采用什么语言，都可以只有一种语言，但这种语言不能是英语（语言编码1033）。
为了验证第4点，我从虚拟机A中手工导出英语相关注册表项，在虚拟机B中把与法语相关的注册表项全部换成英语的，结果OCR失败。与英语相关的4个注册表项为：
[HKEY_CLASSES_ROOT\Installer\Components\61BA386016BD0C340BBEAC273D84FD5F]
"1033"=hex(7):76,00,55,00,70,00,41,00,56,00,54,00,28,00,38,00,41,00,24,00,21,\
00,21,00,21,00,21,00,21,00,4d,00,4b,00,4b,00,53,00,6b,00,4f,00,43,00,52,00,\
5f,00,31,00,30,00,33,00,33,00,3e,00,26,00,61,00,45,00,4d,00,61,00,65,00,2c,\
00,37,00,71,00,39,00,2a,00,44,00,58,00,64,00,55,00,40,00,45,00,50,00,69,00,\
3d,00,00,00,00,00
[HKEY_CLASSES_ROOT\Installer\Features\00002109F10090400000000000F01FEC]
"OCR_1033"=""
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Products\00002109F10090400000000000F01FEC\Features]
"OCR_1033"="&aEMae,7q9*DXdU@EPi=OFu[`t.WO9zoh+x^{BHE"
[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Components\9040B9FA1A0BBF34FB7813E87159FC64]
"00002109F10090400000000000F01FEC"="C:\\Program Files\\Common Files\\Microsoft Shared\\MODI\\12.0\\ENGLISH.LNG"
因此对于国内的用户，直接上简体中文的注册表项就好；对于国外的用户，如果对简体中文解释起来比较麻烦，就上法语或其他语言的注册表项吧 。但注意一次只能上一种语言，而且不能是英语。如果在上了一种语言的注册表项的基础上，再画蛇添足上英语的注册表项，会有问题：由于前面对文件和注册表项进行了精简，在OCR时MODI组件如果发现有英文的注册表项， 就会尝试恢复被精简的文件，造成OCR速度缓慢。
当然不论是哪一种语言，在导入x64 Windows时，都要注意x64下32位软件对应的Program Files文件夹多了一个后缀，改叫Program Files (x86)了。另外在理论上Program Files文件夹也是可以不在C盘上的，所以最保险的方法是通过环境变量CommonProgramFiles、CommonProgramFiles(x86)，或SHGetFolderPath等SDK函数获取实际文件夹名称。
另外一个容易被问到的问题是：貌似导入的注册表项中包含了文件路径，那么能不能通过改注册表项的方法，改变MODI的安装路径，不装到CommonProgramFiles文件夹下？答案是：不行。事实上，InstallRite 2.5导出的aaa.reg文件中的原始注册表项里，路径名中是含有非法字符（问号）的，但并不影响使用，所以我怀疑文件夹是被写死在MODI代码里的。
总之，上面说的都是在没有安装Office 2003/2007的情况下的不得已方法，如果已经装了，不仅节省不了多少空间，而且可能会出现文件或注册表项的冲突。
（完）
