Android Tess-Two OCR无法映射字符“fi”。

Question

我的Android应用程序使用tess-two库实现OCR功能。我在读取包含“fi”的字符串时遇到了问题。在调用OCR识别文本的方法baseApi.getUTF8Text()后，返回的字符串中"fi"变成了"fi"。<<请非常关注该字符串。这不是一个由两个字符组成的字符串，而是一个由单个字符组成的字符串。你可以通过复制和粘贴来重现它。现在，我认为这可能是UTF8编码等问题，但我缺乏足够的知识。当我尝试执行string.replace("fi","fi")时，Android Studio显示错误信息unmappable character for encoding utf-8。我尝试在Google上搜索，但它将其识别为常规的“fi”，而不是“fi”。

有没有办法解决这个字符问题？

- Sheychan

Answer 1

您可以在调用baseApi.setImage之前将fi连字列入黑名单，以避免识别它：

baseApi.setVariable(TessBaseAPI.VAR_CHAR_BLACKLIST, "fi");

为了防止Android Studio在您的Java代码中抛出“无法映射字符”错误，请通过在Android Studio窗口右下角选择“UTF-8”来将文件编码转换为UTF-8。选择。保留HTML标签。

- rmtheis

---

到目前为止这很好 :) 我知道黑名单如何工作，但我从未考虑将该字符放在那里，因为我认为构建时会出现问号。 - Sheychan

Answer 2

以下是我找到的内容，供参考：字符'fi'是一种连字符（更多信息请参见：Unicode Character 'LATIN SMALL LIGATURE FI' (U+FB01)）。

以下是一个快速而简单的程序，可以用来查找和替换任何其他字符中的'fi'：

public class LigatureFI
{

    static char ligature_fi = 0xFB01;

    public static void main(String[] args)
    {
        String sligature_fi = Character.toString(ligature_fi);
        String string = new String("fififififififififififififififi");
        System.out.println(string);
        string = string.replaceAll(sligature_fi, "FI");
        System.out.println(string);
    }

}

如果你的IDE提示'fi'不在cp1252字符集中，那么请保存为UTF8。

希望对你有所帮助。

- user5292387

---

你的方法不起作用，结果是一串问号字符串。 - Zarwan

我认为这是因为fi不是一个已知的字符。我猜测你的替换函数没有起作用，所以fi仍然存在，由于IntelliJ无法正确输出它，它会被替换成问号。 - Zarwan

方法在我的电脑上运行正常，结果是“FIFIFIFIFIFIFIFIFIFIFIFIFIFIFI”。 - user5292387

这很奇怪。我尝试使用 Java 中正确的 '\uFB01'，但仍然不起作用。这很奇怪，因为如果我在 IntelliJ 中复制和粘贴它，粘贴会给出"fi"字符，而不是代码，所以我知道那一部分是正确的。当我尝试 fi == '\uFB01' 时，它也给了我 true，但当我尝试 string.charAt(0) == '\uFB01' 时，它给了我 false，尽管我复制了相同的字符“fi”来制作字符串。我不确定发生了什么。 - Zarwan