Chinese Simplified (简体中文)

识别中文、日文和韩文

中文、日文和韩文经常一同用缩写“CJK”表示。它们有几个共同特征,例如使用中文字符以及纵向和横向的书写方向。

本节将描述使用 ABBYY FineReader Engine 12 识别和导出 CJK 语言文本的一些细节。

首先,若要识别 CJK 语言,您必须有支持 中文日文韩文 语言模块的 ABBYY FineReader Engine 许可证。若要了解有关许可证和模块的更多信息,请参见 Licensing 部分。

识别语言

ABBYY FineReader Engine 支持 CJK 文本的以下预定义识别语言:

  • "中文(中国)"
  • "中文(台湾)"
  • "日文"
  • "日文(现代)"
  • "韩文"
  • "韩文(Hangul)"

您可以使用 RecognizerParams 对象的 SetPredefinedTextLanguage 方法选择这些预定义语言之一。

重要事项!日文(现代)识别语言是一种复合语言,由日文、英文和希腊文的四个字母组成。该语言意在识别当代日文文本,可能包括一些日本汉字字符、假名(平假名或片假名)符号、一些拉丁和/或希腊字母(例如报告、研究论文等等)。对于主要用日语编写的所有文档,为了获得最佳识别结果,我们强烈建议使用日语(现代)识别语言作为独立语言,而不使用其与英语的组合。

ABBYY FineReader Engine 支持由多种这些语言组成的识别语言组合或 CJK 和其它语言的组合。

字体

为了防止亚洲字符变乱码,您必须为文档合成指定一种包括必需字符集的字体,例如 Arial Unicode MS 或 SimSun。您可以借助 ISynthesisParamsForDocument::FontSet 属性设置字体。默认将 FontSet 对象的 SystemFontSet 属性设置为选择对应文档识别语言的系统字体。

导出

您可以用"文本在图像下方"模式导出 CJK 语言为PDF/A格式 (IPDFExportParams::TextExportMode = PEM_ImageOnText) 以确保文档看起来一样。

识别和导出过程

要处理用 CJK 语言写的文档,请执行以下操作:

  1. 使用 Engine 对象的 CreateDocumentProcessingParams 方法创建 DocumentProcessingParams 对象。
  2. 指定识别语言。使用 PageProcessingParams 子对象的 RecognizerParams 子对象的 SetPredefinedTextLanguage 方法。
  3. 选择适合 CJK 语言的字体集。使用 SynthesisParamsForDocument 子对象的 ISynthesisParamsForDocument::FontSet 属性。
  4. 将配置的 DocumentProcessingParams 对象传递至 FRDocument 对象的 Process 方法。如果使用 Engine 对象的方法,您应该调用 Engine 对象的合成方法之一,在导出前将配置的 SynthesisParamsForDocument 对象作为一个参数。
  5. 借助 FRDocument 对象的 Export 方法执行识别文本导出。如果导出至 PDF/A 格式的 PDF,请指定所需导出模式。

注: 不要为用 CJK 语言写的文本使用  Word 对象及其属性,或 CharParams 对象的  IsWordFirstIsWordLeftmost 属性。处理技术将文本行划分为“单词”仅供内部用途,这些符号组不和实际词汇相符。

C++ 代码

另请参阅

处理语言

03.07.2024 8:50:25

Usage of Cookies. In order to optimize the website functionality and improve your online experience ABBYY uses cookies. You agree to the usage of cookies when you continue using this site. Further details can be found in our Privacy Notice.