用MODI一次OCR一整本书并将结果发送到WORD

作者：马健
邮箱：stronghorse_mj@hotmail.com
主页：http://www.comicer.com/stronghorse
发布：2022.05.29

一、相关问题及解答

Q：MODI是什么？
A：MODI是Microsoft Office Document Imaging的简称，是微软在Office 2003、2007中提供的一套OCR工具组件，用于将扫描图像文件或传真文件识别成可编辑的文字。从Office 2010起，OCR功能转移至OneNote中，因此不再提供MODI组件。但使用从Office 2007中提取的MODI精简版，或微软官方提供的免费版SharePointDesigner安装包单独安装MODI，均能与后续版本的Office共存，测试过从Office 2010到Office 2019的各版本。

Q：有了Acrobat、Abbyy等软件，为什么还要用MODI做OCR？
A：如果是OCR单页图像，其实可供使用的工具很多，有在线的，也有离线的。但如果是要一次OCR整本书，可供使用的软件就少得多。这些工具需要解决以下问题：

1. 整本书以什么文件格式为载体？Acrobat只以PDF为载体，Abbyy以PDF和多页TIFF为载体，MODI以多页TIFF和MDI文件为载体。多页TIFF还好说，MDI文件格式在Office 2007之后就成为绝响。
2. OCR结果以什么格式存放？Acrobat以PDF为载体，OCR结果也就放在PDF中；Abbyy可以把OCR结果另存为WORD、TXT等；MODI可以把OCR结果封装到多页TIFF或MDI文件中，也可以把结果发送到WORD中——这是我最喜欢的功能，也是我一直折腾MODI的动力。

PDF中的文本有一个毛病：有文字，无排版。即PDF中的文字最多是按行合并，但不会把行合并成段落，这样的文字导出、复制到WORD中，不排版根本没法用，手工排版又太累。但MODI发送到WORD中的OCR结果是经过排版（段落合并）的，虽然排版效果有时候也不太靠谱，但大多数情况下还是可用的，至少可以省掉很多事情。

另外如前所述，MODI是微软允许免费使用的SharePointDesigner一部分，Acrobat、Abbyy都是要小钱钱的。

Q：现在提供的精简版MODI，与以前提供的MODI OCR引擎有什么关系？
A：以前我曾在我的网盘上提供过从Office 2007 SP3中提取的支持21种语言OCR的OCR引擎，但引擎毕竟只是引擎，它不含用户界面，所以只能被其他软件工具所调用，例如DjVuTou、FreePic2Pdf、IdxSubOcr、Pdg2Pic、UnicorViewer等。但这次提供的精简版MODI包含GUI用户界面，可以直接对多页TIFF进行OCR，并将结果发送到WORD。另外：

1. 精简版MODI中已经含了21种语言的OCR引擎，所以安装了精简版MODI后，可以不再安装MODI OCR引擎，即可在DjVuTou、FreePic2Pdf、IdxSubOcr、Pdg2Pic、UnicorViewer等软件中运行OCR功能。
2. 以前封装的MODI OCR引擎在Win7、Win10下，要求调用程序必须以管理员权限运行，否则可能OCR失败。这次封装MODI精简版已经解决了这个问题，所以如果安装的是精简版MODI或新封装的MODI OCR引擎，将不再要求调用MODI OCR引擎的程序必须以管理员权限运行。最新版的DjVuToy、FreePic2Pdf、Pdg2Pic、UnicornViewer等已对此进行了修正。

Q：精简版MODI与原版MODI相比，有什么区别？
A：与原版MODI相比最大的区别是“精简”：以简体中文SharePointDesigner安装包为例，只安装MODI（从本机运行全部程序，含虚拟打印驱动）、简体中文校对工具_光学字符识别模块（OCR）、英语校对工具_光学字符识别模块（OCR），文件总长度704 MB，且只能OCR简体中文、英语两种语言。而简体中文版的精简版MODI安装后文件总长度仅86.2 MB，即完整版的文件长度是精简版的8倍还多，且精简版能OCR 21种而不是区区两种语言。另外精简版还精简掉了以下东东：

1. MDI格式打印机（MODI Writer）。众所周知，Office 2007只有32位版，Office 2010才有64位版，所以这个打印驱动在原始官方安装包中就只有32位版，在64位Windows下安装的时候也不含这个打印机。现在谁还在用32位版Windows的请站出来让我瞻仰一下？
2. 导入为MDI格式。这个依赖于MDI打印机，没有打印机也就没有什么意义。
3. 用扫描仪扫描成多页TIFF或MDI文件。我目前没有扫描仪，没法测试这个功能，不如直接干掉。不过有扫描仪的时候我更习惯使用扫描仪自带的软件，所以没有就没有吧。

二、安装MODI，准备OCR

安装方法一：通过封装好的安装包进行安装，适合普通、不喜折腾的用户

如果打算安装精简版，从我的网盘下载精简版安装包，双击运行，选择语言后就是一键安装，安装完直接支持21种语言的OCR。

如果对我封装的精简版表示信不过，也可以用正版Office 2007，或者到我的网盘下载来自微软官网的免费版SharePointDesigner安装包，用那个安装MODI，在微软官网上有图文并茂的完整安装步骤说明：
http://support.microsoft.com/kb/982760/

注意：

1. 如果是用正版Office安装盘安装，Office 2007的典型安装根本就不装MODI，因此如果想使用MODI，只能在安装时选择自定义安装，然后手工选择Office工具中的MODI组件，“从本机运行全部程序”，参见上面微软知识库链接。
2. 如果是用正版Office安装盘安装，必须打SP补丁，不论是SP1、SP2还是SP3都可以，否则不能正常OCR中、日、韩语言。
3. 另外选定一种语言的Office 2007或者SharePointDesigner安装包，比如说英语或者简体中文，安装MODI后，还可以用微软免费的Office 2007语言包DVD，安装其他语言的OCR支持。精简版MODI OCR引擎中的21种OCR语言、精简版MODI中的9种语言用户界面（包括CHM版帮助文件）就是这么来的。

安装方法二：通过批处理安装，适合程序员或者不折腾就不舒服斯基的用户

请从我的网盘下载批处理版安装zip包，解压后按照说明文件的说明执行批处理进行安装。看得懂安装批处理，就能知道具体的安装过程，因此对于程序员而言如果自己的程序调用了MODI引擎，就可以把MODI引擎照此封装到自己的安装包中，与自己的软件一起发行。

三、用MODI做OCR并将结果发送到WORD

OCR之前先要准备好需要OCR的图像文件，要OCR整本书就要准备好整本书的图像文件。MODI支持多页TIFF和MDI两种格式，如果你使用的是32位版Windows，或者是32位版Windows（如XP）虚拟机，可以选择用SharePointDesigner安装完整版，含MODI Writer打印机，然后就可以把需要OCR的图像打印到MODI Writer打印机，形成MDI文档。

如果用的是64位Windows，就只能准备多页TIFF。我的准备步骤是：

1. 用ComicEnhancerPro（CEP）处理需要OCR的全部图像，颜色选“纯黑白”，存为单页TIFF。
2. 用TiffToy把全部单页TIFF合并成多页TIFF。

理论上说如果省略第1步，直接把JPG、PNG等文件用TiffToy合并成多页TIFF，也可以在MODI里做OCR。但所有的OCR操作均只针对二值化（纯黑白）图像，所以这样做其实就是由MODI自己在内部做二值化工作，但讲真我绝对不信MODI的二值化能做到CEP的程度，所以我宁愿自己在CEP里处理，就不麻烦MODI了。

准备好需要OCR的多页TIFF或MDI文件后，就可以开始OCR：

1. 运行MSPVIEW，启动MODI用户界面。如果安装的是精简版MODI，会在桌面上创建MSPVIEW图标，双击即可运行，或者从开始菜单的MODI菜单组中选择MSPVIEW运行，注意在菜单组里如果不小心点了uninstall就变成删除MODI了。如果是从SharePointDesigner安装的MODI完整版，则在开始菜单中点击“Micorsoft Office -> Micorsoft Office工具 -> Microsoft Office Document Imaging”菜单项运行。
   如果运行MSPVIEW.EXE时提示“应用程序缺少组件。请重新安装该应用程序。”，那么就是电脑里安装过旧版的MODI引擎，新版MODI与之发生冲突，手工删除下面的文件夹就好：
   C:\Program Files (x86)\Common Files\microsoft shared\OFFICE12
   如果是x86版Windows，则删除
   C:\Program Files\Common Files\microsoft shared\OFFICE12
   这个文件夹下面其实就一个mso.dll，新版里这个文件已经被转移到了MODI文件夹下面，如果旧版的文件还在，就会与新版发生冲突。
2. 点击工具条最左侧的“打开”按钮，打开需要OCR的多页TIFF或MDI文件。
3. 如果有必要，点击“工具 -> 选项”菜单，在OCR页签中选择OCR语言。该页签中的“自动旋转”、“自动拉伸”这两个选项一般也要去掉勾选，否则图像可能莫名其妙就被旋转了。该页签中的选项会被记录到注册表里，所以选择过一次以后，后续OCR都会自动按照此选项操作。
4. 点击工具条上的“将文本发送到WORD”按钮，或点击“工具 -> 将文本发送到WORD...”菜单项，把“默认文件夹”改成你希望存放结果文件的文件夹，点击“确定”按钮。
5. 弹出提示“Microsoft Office Document Imaging 必须在您执行此操作前识别该文档中的文本(OCR)。这可能需要一些时间。”，点击“确定”按钮。等待OCR结束，会自动打开WORD并调入结果文件。如果电脑或虚拟机里没有装WORD，则会提示“无法启动 Microsoft Word。请检查该计算机上是否已安装该程序并设置正确。”，但不影响结果文件的生成。
6. 生成的结果文件是html文件，就放在所选的“默认文件夹”下。如果其中有插图，会单独创建一个子文件夹存放插图。不过一般我都是直接在WORD里另存为文本文件或WORD文件，方便校对。

四、用MODI做OCR的一些限制

我曾经在《用MODI OCR 21种语言》里说过，MODI支持的亚洲语言包括简体、繁体、日文、朝鲜语，这4种语言的OCR引擎都由清华文通（Tsinghua Wintone）出品。清华文通的其他产品我没用过，但MODI中的中日韩OCR引擎却存在下列问题，使用时务必注意：

1. 如果最终的识别结果不足8个汉字，则会返回OCR结果为空。IdxSubOcr、UnicorViewer等软件对此的解决办法是“拼图”，即把需要识别的图像重复排列，或者多个需要OCR的图像拼接在一起OCR，确保OCR结果不少于8个汉字。
2. 如果需要识别的图像中含有插图、表格，则OCR引擎会变得极不稳定，一言不合就死给你看。在DjVuTou、FreePic2Pdf、Pdg2Pic、UnicorViewer等软件中分两个部分解决这个问题，第一是在OCR之前先对图像进行预处理，即这些软件界面中“去掉大于页面尺寸1/n的图表”选项。预处理虽然不能杜绝OCR引擎故障，但可以大大降低故障出现的概率。第二是把OCR功能放到独立的进程中，即MODI_Engine.exe，其他软件通过进程间通讯（IPC）调用它，它再调用MODI，如果MODI引擎挂了，挂的也是MODI_Engine.exe进程，不是调用MODI_Engine.exe的进程，这就是程序员经常说的“线程是不安全的，进程是”。
3. OCR过程中存在累积性的资源泄露，即连续OCR到300多页后，就可能出各种幺蛾子。因此在TiffToy的“文件合并”功能中，缺省情况下是每300页合并成一个多页TIFF文件，一次就OCR这么多。如果是自己写的软件调用MODI，则最好是用上面的方法进行解决，即每OCR 300页左右，就重启一次MODI_Engine.exe进程。
4. MODI只有32位版，不能直接被64位应用所调用。这个也是用上面的方法，IPC可以在32位和64位软件之间通讯。
5. OCR纯中文或者纯英文都没有问题，但OCR中英文混排的时候，效果确实不如Abbyy，这个无解。

尽管存在上面各种问题，但MODI，尤其是MODI引擎仍然是目前能找到的最好的免费离线版OCR引擎。毕竟是商业级OCR引擎，tesseract之流拍马也追不上。

（完）