[心得] Excel VBA OCR 文字辨識

### OCR是什麼 OCR，全名Optical Character Recognition，中譯光學字元辨識， 因實務上還滿常聽到有這個需求要將圖片或PDF轉成文字， 以下分享一下研究心得以及如何在VBA裡如何使用Tesseract-OCR達到上述目標。 ### OCR實際應用 實際應用舉例如下： 1. 各大會計師事務所的財報搜尋系統基於OCR技術才得以實現，先蒐集所有公開發行 以上的公司財報，使用OCR軟體，例如Adobe Acrobat、Abbyy或Ominpage等軟體將PDF 轉成可搜尋(searchable)的PDF，並將其字元存入資料庫，最後再以網頁的方式渲染出查詢 結果。 2. 因應IFRS 16，若有大量辨識租約掃描檔的需求，也可通過上述方法搜尋關鍵字。 3. 各大事務所在推的RPA(流程機器人)，其中最常用的RPA工具-UiPath， 它裡面的函式庫所可以做到將圖片轉成文字的功能，即是使用此篇文章要介紹的 Tesseract文字辨識引擎。 ### Tesseract-OCR Windows下載：https://github.com/UB-Mannheim/tesseract/wiki Github：https://github.com/tesseract-ocr/tesseract Tesseract是一開源OCR引擎，此開源專案目前由Google維護，支援超過100種語言， 以其辨識精準度及可訓練辨識資料(training data)著稱，雖是由C++寫成， 但其餘高階程式語言，例如Python、Java、.Net都有包裝器(Wrapper)可直接調用其 函式。 ### VBA使用Tesseract-OCR 影片教學：https://youtu.be/0Wx1Xk5WYX0 範例下載(xlsm)：https://tinyurl.com/ybj3dfhz 此教學難度較高，還需要加環境變數等，只下載上面的檔案是沒辦法跑的， 如果想操作的可以看影片跟著操作，然後因為有些外國人會看我的教學， 原諒我的破英文.. 範例是辨識英文圖片，若要辨識中文，其他程式語言還好處理， 但在VBA若要傳回中文會比較麻煩，VBA作為一古老語言， 並沒有很好的處理多語系的問題， 例如在命令提式字元(CMD)使用以下指令： C:\..\tesseract "imagePath" stdout -l chi_tra 可得到中文辨識結果，但在VBA使用Shell執行會變成亂碼， 實際應用還是使用別種語言會方便得多。 -- Accoding: https://www.facebook.com/AccodingTW/ -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 61.70.211.19 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/Accounting/M.1592581971.A.410.html