维基文库讨论:光学字元辨识

对于手写古籍 古籍酷与google OCR的比较

图像：https://upload.wikimedia.org/wikipedia/commons/thumb/b/bd/WUL-i13_00871_%E6%A4%8D%E7%89%A9%E5%AD%A6_1.pdf/page18-1599px-WUL-i13_00871_%E6%A4%8D%E7%89%A9%E5%AD%A6_1.pdf.jpg

https://gj.cool/api_demo

光处浆最多或云植物之 浆犹动物之脂也 此体生于叶中木中者其初细胞甚小且少近管处又生 新者渐生渐多体以渐而大故叶与木亦以渐而大也 诸细胞相粘合必有隙隙中或有油或有香胶充满焉又 或有养气或有液道其液如水液道之或通皮外或通 叶外以接外气凡有油与养气者其口或大或小于细胞 不定惟液道口必甚小非显微镜不能察焉 其功用令流质遍行植物体中胞虽无漏孔流质自能沁 入复沁出焉 嫩木中聚胞体节节相联如甲木老则中之细胞消尽而 成长管剖其管细察之有无数细点凹迹也如心 此体最易烂凡叶花果落地后与 植物生命之气隔绝其中之炭质 即合养气散为炭气轻气即合养 气化为水馀如硫磺邻谦青盐等质即仍入土故叶花果 堕地后其软处必先坏核置干处不坏遇湿亦即烂也 木体 木体乃合无数长管为一体管柔而勒长而甚细合七管

https://ocr.wmcloud.org/

光处浆最多或云植物之浆犹动物之脂也 此体生于叶中木中者其初细胞甚小且少近管处又生 新者渐生渐多体以渐而大故叶与木亦以渐而大也 诸细胞相粘合必有隙隙中或有油或有香胶充满 或有养气或有液道其液雄水液 液如水液道之口或通皮外或通 以接外气凡有油与养气者其口或大或小于细胞 心惟液道之口必甚小非显微镜不能察焉 流质编行植物体中胞虽无漏孔流质自能沙 其功用令流质编 入复沁出焉 嫩木中聚胞体节相联如甲木老则中之细胞消尽而 成长管剖其管 Q有无数细点凹迹也如乙 此体长易烂凡叶花果落地后与 植物生命之气隔绝其中之尸质 配合养气散为炭气轻气郎合养 气化为水馀如硫花 青盐等质即仍入土故叶 堕地后其软处必先坏核置干处不坏遇湿亦自烂也 木体 木体乃合无数长管为一体管柔而靳长而甚组合七管 学 叶

https://zh.wikisource.org/w/index.php?title=Wikisource%3A%E6%B2%99%E7%9B%92&diff=2292668&oldid=2292667 比较二者可以发现，古籍酷的识别准确率更高。但是古籍酷的缺点是不能识别标点符号。 维基小霸王（留言） 2023年5月30日 (二) 04:19 (UTC)

公有领域文献整理的几个阶段

理想的完整步骤是：扫描上传到维基共享资源、OCR、加标点、自动写成百科全书。

扫描上传到维基共享资源：现在已经传了很多了，以后还要继续。

挑选出最好的版本：一些书有很多版本，同一版本有多个来源的扫描。人工挑选出其中最好的一个文件，用于OCR。

OCR：对于不同时代的作品，印刷和排版方式不同。挑选最合适的OCR工具，转换为文本。

加标点：电脑自动加标点。

自动写成百科全书：这是最终极的一步。有的文本就像天书一样。现在有chatgpt这样的工具，可以将这些书提取信息写成百科全书条目。由于来源是公有领域的，条目大篇幅引用也没关系，只要注明来源即可，这样可便于读者查证。

大型语言模型可以综合多个语言的文本，这样就可以使用所有语言的所有共有领域材料写成所有语言的条目，真正实现“地球上的每一个人都可以自由访问所有人类知识的总和”，这是人类过去从未实现的。

希望有专业的人士来做这一步，这会是一项历史性的创举。 维基小霸王（留言） 2023年6月29日 (四) 02:50 (UTC)

NDL古典籍OCR ver.3

出新版了，据说对古籍有改良。（@维基小霸王：）Fish bowl（留言） 2024年2月7日 (三) 23:50 (UTC)

谢谢 以后我看看 维基小霸王（留言） 2024年2月7日 (三) 23:58 (UTC)

大规模OCR图书馆

于Phabricator追踪
T332125 解决

之前讨论过Wikisource:写字间/存档/2023#OCR图书馆，但遇到了Google OCR无法访问图片的问题。现在此问题已经解决了。我们可以开始大规模识别图书扫描了。

一个潜在的问题是，很多书具有多份扫描档。每个都识别是没有意义的，最好的方式是像@midleading：提出的那样，开发一个工具，允许各位用户批量识别不同的书。我已经提出了功能需求，有更多需求请提出。

另一个问题是，使用哪种OCR软件。Google OCR对于识别1900年以来的印刷体合适，但是无法识别竖排排版位于行外的标点。对于古文，古籍酷效果更好，而且支持自动加标点，对开源项目有支持。我还测试了日本国立国会图书馆开发的OCR软件，打开是因为是针对日文训练的，效果不好。请大家考虑在Wikisource:OCR/测试加入各种类型文件的例子，以及测评更多OCR软件。 维基小霸王（留言） 2024年1月15日 (一) 13:33 (UTC

我刚才录入了来自这里的文本，感觉还不错，这也是一个选择。 Midleading（留言） 2024年1月15日 (一) 13:37 (UTC)

匹配文本与文件也是个问题。 维基小霸王（留言） 2024年1月15日 (一) 13:51 (UTC)

2017年录入四部丛刊的时候就是人工匹配的，匹配中发现了大量缺页和重复，现在我认为也可以人工匹配。 Midleading（留言） 2024年1月15日 (一) 14:22 (UTC)

导入现在已有的文本应该要优先于自己识别，有很多书其实已经有已有的数字化文本，没必要再重来一遍。目前这个来源的文本已经具备导入维基文库条件了。 Midleading（留言） 2024年1月16日 (二) 09:45 (UTC)

这种识别作业会有方便后续人工追踪维护标签对吧？—— Eric Liu_（留言） 2024年1月15日 (一) 14:38 (UTC)

有没有用户愿意维护就不知道了，关键是看有没有用户在维基文库读我们录入的书。 Midleading（留言） 2024年1月15日 (一) 14:46 (UTC)

最基本的一个作用是作为图书的全文搜索库。现在，维基共享资源上传了那么多图书，是无法全文搜索的。维基百科的搜索引擎和维基文库是相连的，完成这个项目后，在搜索维基百科的时候，右边就会有一个框框显示出几乎所有中文公有领域图书的搜索结果，这不是很棒吗？

至于标签，这种校对页面默认的未校对标签就描述了这些页面的状态。即使不是大规模的机器识别，很多用户输入之后不校对，跟这样做的结果是一样的。 维基小霸王（留言） 2024年1月15日 (一) 23:39 (UTC)

对于印刷体Google OCR效果很好，但它的标点符号大多是半角的，建议OCR之后都替换一次。简体测试文本刚好就是我用Google OCR录入并校对的。--Kcx36（留言） 2024年1月15日 (一) 15:47 (UTC)

竖排古籍中低几格或有空白的短段落，Google OCR有时无法保证行序、字序，还会把一行拆成几块。对双行注文识别弱，即使是较高像素的图片。Andayunxiao（留言） 2024年1月15日 (一) 16:04 (UTC)

录入古文还是用古籍酷最好，不仅识别效果好，还能用人工智能加标点。 维基小霸王（留言） 2024年1月15日 (一) 23:32 (UTC)

@Andayunxiao 对于古文，gj.cool优于Google。Google gj.cool 维基小霸王（留言） 2024年1月16日 (二) 04:51 (UTC)

gj.cool给的额度很小 应该用不了 维基小霸王（留言） 2024年1月16日 (二) 08:48 (UTC)

没关系，我们可以把这个功能放到WMCS里面，让其他用户使用，估计用户应该不会用完这些额度 Midleading（留言） 2024年1月16日 (二) 09:40 (UTC)

古籍酷看来效果很好，而且没有缺字。中文古书通常行列分明，惜 Google OCR 未能利用这一点。额度就算小，能利用也是对用户有益的。我无意用 OCR 录入大量内容，仅作范例。 Andayunxiao（留言） 2024年1月17日 (三) 15:34 (UTC)

于Phabricator追踪
T352503

竖版图书行外标点无法识别的问题可能将会解决，2月19日Google API更新后，请大家注意测试。--维基小霸王（留言） 2024年1月19日 (五) 02:03 (UTC)

借此话题提个想法：我很喜欢Ctext的 字符识别连结页面，不仅美观，容易定位，而且其底层支持两种输入和修改模式，不需要用户会使用排版代码。效果上更是同一段源码有三种展示模式——简单修改模式（不合并行）、竖排阵列模式，和正文横排模式（合并行）。不知道在 Mediawiki 的框架下我们能否实现类似功能，让用户只输入一次，就可以有不同的展示方式。Andayunxiao（留言） 2024年1月19日 (五) 17:02 (UTC)

OCR软件使用指引

我认为维基文库对OCR软件的使用需要提出指引，避免将来某些用户大量创建低质量的文本页面充斥整个维基文库，避免管理员删除上百个甚至上千个低质量页面：

• 当维基文库收录了原文对应数字化文本时，不应大量创建错误率高于该数字化文本的页面。
• 当维基文库尚未收录原文对应数字化文本，但可公开访问的外部网站收录了原文对应数字化文本时，不应大量创建错误率高于该外部网站所提供的数字化文本的页面。

Midleading（留言） 2024年1月16日 (二) 05:35 (UTC)

我用chatgpt将讨论内容转换成了方针，请修改：Wikisource:OCR#大规模OCR计划。 维基小霸王（留言） 2024年1月16日 (二) 13:35 (UTC)

新手提问！请问有给古籍PDF免费做OCR的网站吗？ Fremax（留言） 2024年1月17日 (三) 10:47 (UTC)

@Ericliu1912：Wikisource:OCR有必要移动到Wikisource:光学字元辨识吗？英文缩写更常用，中文还涉及地区词，地区词转换不知道为什么没生效。--Kcx36（留言） 2024年1月17日 (三) 11:22 (UTC)

正式名词的话，第一次提到使用中文名称为宜，之后可以多用简称。地区词转换已经修复，我也不知道是怎么回事（ —— Eric Liu_（留言） 2024年1月17日 (三) 12:04 (UTC)

维基文库是没有地区词转换的，因为不需要转换原文中的地区词 Midleading（留言） 2024年1月17日 (三) 14:37 (UTC)

文库目前只有简体和繁体模式，没有开启地区词转换。技术上，w:维基百科:繁简处理 提到， 繁简转换总共通过三个转换表来实现，这三个表所有维基项目共用，其中不包括地区词。这一点是百科的周全考虑，而不是疏忽。见w:维基百科:字词转换/2015年转换表更新说明，转换表收录相对保守，有些地区用字差异也未收入，如“著”，“着”。Andayunxiao（留言） 2024年1月17日 (三) 15:54 (UTC)

不赞同在作品页使用地区词转换。文库作品是对已有作品的复制。应该保持这些作品的完整性和原貌。帮助空闲提供转换有益。 Andayunxiao（留言） 2024年1月17日 (三) 16:00 (UTC)

我和Ericliu1912在说的仅仅是Wikisource:光学字元辨识的页面标题“光学字元辨识”和“光学字符识别”。--Kcx36（留言） 2024年1月17日 (三) 16:07 (UTC)

是我离题太远了，抱歉抱歉。标题转换是怎样生效的，是不是通过地区词转换，我还不清楚。 Andayunxiao（留言） 2024年1月17日 (三) 16:23 (UTC)

我觉得没必要移动，大家都知道OCR是什么意思。w:Wikipedia:格式手册/缩写上说：“‘大家都这么用’，那么我也可以这么用。”--维基小霸王（留言） 2024年1月19日 (五) 02:02 (UTC)

@Blahhmosh Lemonaka（留言） 2024年1月24日 (三) 00:32 (UTC)

Yes? What's up? @Lemonaka Blahhmosh（留言） 2024年1月24日 (三) 02:15 (UTC)