在介绍新版前，稍稍解释下背景知识。
iText 发布后，受到很多朋友的欢迎和好评，解决了诸如扫描版 PDF 无法复制等问题。不过，也有一些朋友有些误解，觉得 iText 仅仅是调用了 OCR 服务，是个壳而已。其实，并不尽然。
虽然，我觉得用户并不需要知道这些软件背后的故事，只要软件好用即可。不过看来，既然有误解、有好奇，我还是简单提及一些吧。
OCR 服务识别 后，得到的是这样的结果：各文字片断及其位置。
但，如果根据这些信息还原出自然语境下的段落？这是很难的。
比如，对于下面这张图：
OCR 识别出来的结果是类似这样的（为了方便示意，我在各行间额外加了空行）：
3.1 新用户引导
这事的矛盾之处在于:新用户和老用户的矛盾。
进一步说,我追求程序的简洁。尤其是在用户对 itext 熟悉之后,并不需要程序有过多的描述。比如,文字按
钮可以被图标按钮取代,用界面上根本看不到的快捷键进行操作,等等。可问题是,熟悉是需要一个过程,新
用户需要多次操作后,才能掌握这些甚至有些晦涩的技巧。没有新用户,又何来老用户?
这二者的矛盾,怎么解决呢?
你可能觉得，这没什么呀，我自己手动把多余的换行符删掉不就可以了？你说的对。不过，这样的体验并不爽。
为了让你用的爽、少了这步手动操作，我自己试着列出常见的段落分布，分析其中的位置规律，实现相应的识别段落的算法。
目前来看，效果还是可以的：
3.1 新用户引导
这事的矛盾之处在于：新用户和老用户的矛盾。
进一步说，我追求程序的简洁。尤其是在用户对 iText 熟悉之后，并不需要程序有过多的描述。比如，文字按钮可以被图标按钮取代，用界面上根本看不到的快捷键进行操作，等等。可问题是，熟悉是需要一个过程，新用户需要多次操作后，才能掌握这些甚至有些晦涩的技巧。没有新用户，又何来老用户？
这二者的矛盾，怎么解决呢？
注：以上是 iText 识别并优化后的结果，未加手工编辑；其中的标点符号也已修正。
iText 第一版发布后，收到用户反馈的一些图片，一些段落的识别有问题。于是，我花了不知道几个小时，重写了段落识别相关的算法。目前，对于中英文混排，在使用腾讯服务时，段落识别的效果已经很好了。
不过，并不完美。主要是在一些场景下，除非结合语义识别，否则是无法仅根据位置信息来划分段落的。如果你发现有问题的图，欢迎发给我，我来优化算法。
下面给出一些典型的含段落的图，大家可以自己试试。
图 1：https://ws4.sinaimg.cn/large/006tKfTcgy1fm6c8xxge5j30mw0q67i2.jpg
图 2：https://ws1.sinaimg.cn/large/006tKfTcgy1fm6c99zhzij30te0wuahg.jpg
另外，段落识别只是对 OCR 服务优化的一部分，还有文本的优化，比如中英文之间需要增加空格等等。
如果说段落识别很麻烦，文本优化则更多麻烦，根本的原因在于：需要对内容进行识别。比如：
没办法，只能有所取舍。目前，iText 主要完成了这些部分的优化：
目前，如果你在国内使用 iText，默认使用的是腾讯的服务；国外则使用 Google.
如果你有 Google 信仰、或者需要识别日文等其他语言，可以 右击 iText 菜单栏图标，手动选择使用腾讯或 Google OCR 服务。
不过，从实测和目前优化的情况来看，中文还是建议使用腾讯；大家可以自行测试。
目前新版已提交 Mac App Store，还在审核。同时，欢迎大家下载 体验版
体验版说明：
如果你觉得 iText 还可以改进，欢迎：
这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。
V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。
V2EX is a community of developers, designers and creative people.
