图片文字处理软件

Tiff格式图片文字识别软件—TextForever使用说明

一、软件安装/删除

本软件为纯正的绿色软件，不需要安装，下载ZIP包后直接展开、运行即可。删除时删除可

执行文件和帮助文件即可。

软件包中仅包含下列两个文件，如果有其它的，保证不是我加的，请不要犹豫，立刻删除：

。可执行文件。

。本帮助文件。

另外如果在运行过程中改变了参数值，会自动生成文件，删除时可以一起删

除。

单独删除文件后重新运行TextForever，所有参数将恢复成缺省值，相当于点

击了“恢复”按钮。

二、软件使用

注意：TextForever会自动记忆您所设置的参数值（记录在文件中），点击“恢

复”按钮可以将所有参数恢复到缺省值。

1、HTML文件到文本文件的转换（HTML->Text）

根据需要设置选项（也可以什么不选，直接使用预设值），点击“开始转换”按钮，在弹出

的对话框中选择需要转换的文件（按住Ctrl键或Shift键点击文件，即可选多个），然后点“打

开”或“Open”按钮即可。

如果转换出来的内容不对，可能是因为真正的内容是用JavaScript动态生成的，可以选择“使

用IE内核”，然后再点“开始转换”，重新试一遍。这个选项相当于IE的“另存为文本文件”

功能，用缺省选项搞不定的网页，都可以用这个选项试试看。与在IE中打开网页不同的是，

如果网页中有错，这里不会弹出错误对话框要求调试网页，而是直接跳过，反正错误对获取

文本没有什么影响。

另外如果使用IE内核，而网页又是utf-8编码，则可以选择将结果转换成Unicode或ANSI，

ANSI使用的是系统缺省字符集（简体中文Windows2000/XP的缺省字符集为GB2312）。

2、文件合并（MergeFiles）

一般网站刊登电子版小说时，都是一章一个文件，因此在将HTML文件转换成TXT文件后，

一般还需要按照章节顺序将转换出来的诸多TXT文件合并成一个文件。

使用方法：按照界面上标示出来的1、2、3、4、5顺序，先选择需要合并的文件，再合并后

的文件，并根据需要设置选项，点“开始合并”按钮即可开始合并。

3、段落合并（Paragraph）

在把HTML转换成TXT文件后，由于去掉了HTML中的段落控制，转出来的文件看起来

可能会参差不齐，需要重新合并、分段。

使用方法：按照界面上标示出来的1、2、3顺序，先设置“源文件段落开始标志”选项，再

设置“输出文件段落控制”选项，最后选择源文件。如果是对单个文件进行处理，则在“选

择源文件”框中，先点“选择...”按钮选择源文件（如果前面做过文件合并，这里会自动填

入合并后的文件名，则不再需要选择），再点“开始合并”按钮开始合并；如果是对多个文

件进行操作，直接点“对多个文件中的段落进行合并...”按钮，然后在弹出的对话框中选择

需要操作的所有文件（按住Ctrl键或Shift键点击文件，即可选多个）。

选项说明：

“源文件段落开始标志”框指定分段条件，即在输入文件中，满足什么样的条件算一个段落。

这样的条件可以有4个：

以2个或指定个数的中文空格开头。

以4个或指定个数的英文空格开头。

上一行的长度比平均行长短少1/20。一般这个条件用于OCR出来、没有整理过的文件。如

下面这段文字：

他很专注的检阅着自己刚获得的新领土。

虽然自己对空气中的这股刺鼻甜味并不是很喜欢，但只要习惯之后也就没什么。

他在这块领地上绕了整整一圈。看来这里似乎没有任何敌人的样子。

他抬起头来望着一道闸门，刚才自己就是从这里出发的。虽然他看不懂门上那块

牌子的文字，不过那里确实是写着'海德伯爵城馆：帝国中最小不隆咚的贵族城

馆。'

他端正的坐在门前，并盼望那扇门能够马上开启。因为自己一路睡到刚刚才醒的

关系，被关在门外也是不得已的。

然而，那扇门却没有任何开启的迹象。

很显然，每一段的最后一行都要比其它行短。

后面跟一个空行。

“输出文件段落控制”框指定输出格式，可以指定的内容包括：

段落的引导字符：可以是2个中文空格、4个英文空格或者什么也没有。

在段落后面加一个空行。

删除原文文本行的引导空格。

删除原文文本行的末尾空格。

4、段落切分（Reparagraph）

有时候在用段落合并功能对原文中的段落进行合并、整理后，还需要按照指定的行宽，对段

落进行分行，避免在没有自动环绕功能的浏览器上出现横向滚动条。

段落合并功能与段落切分功能互为逆过程，如果对切分结果不满意，可以合并后重新切分。

使用方法：按照界面上标示出来的1、2、3顺序，先设置“输出段落”选项，再设置源文件

是否保留备份，最后选择源文件。如果是对单个文件进行处理，则在“选择源文件进行操作”

框中，先点“选择...”按钮选择源文件（如果前面做过文件合并，这里会自动填入合并后的

文件名，则不再需要选择），再点“开始切分”按钮开始切分；如果是对多个文件进行操作，

直接点“对多个文件中的段落进行切分...”按钮，然后在弹出的对话框中选择需要操作的所

有文件（按住Ctrl键或Shift键点击文件，即可选多个）。

如果切分结果出现行末最后一个字节是半个汉字，则该汉字被分到下一行，以免出现乱码；

如果切分结果中，行末会出现把一个英文单词劈成两半，则整个单词分到下一行；如果行末

是英文空白、标点符号，则按照习惯，即使这些字符超出最大行长，也不分到下一行。

选项说明：

“最大行长”项说明分行的行长，以英文字符为单位。注意一个中文字符等于两个英文字符。

“段落开头添加”选项设置分行后段落的引导字符，可以是2个中文字符、4个英文字符或

者什么也没有。

“在段落后添加空行”选项说明是否需要在段落后加一个空行。

5、编码转换（GB/GBK/Big5）

这个功能可以实现GB、GBK、Big5、Unicode码的相互转换，及从日文ShiftJIS到中文GB

2312的单向转换。为了省事，转码过程使用的是Windows本身提供的标准API接口。由于

转码过程中需要用Unicode作为中间码，因此此功能不能在对Unicode支持非常有限的

Windows95/98/me下使用，只能在支持GBK/Big5/ShiftJIS代码页的2000/XP下使用。正常

情况下，只要IE能够正常显示中文简体、中文繁体、日文网页，即可正常转换。

使用方法：先设置文件选项、转码选项，然后点“开始”按钮，选择需要转换的文件即可。

转码后如果出现固定的错别字，可以用“文本替换”功能进行修正。

文件选项说明：

覆盖原文件：转换后的文件将覆盖转换前的文件。

原文件另存为bak文件：转换后的文件不会覆盖转换前的文件，转换完成后将在原文件名

后加后缀.bak。

转码选项说明：左侧为原文件中的汉字编码，右侧为转换后的汉字编码。

GB码：按照国家标准GB2312-80编排，包括全部简体字及常用符号。在中文简体版的

Windows下显示为简体，在繁体版Windows下显示为乱码。

GBK码：是国家技术监督局1995年为中文Windows95所制定的新的汉字内码规范（其中

GB表示国标，K表示扩展）。该规范在字汇一级上支持ISO10646和GB13000中的全部中

日韩（CJK）汉字，并与国家标准GB2312-80信息处理交换码相兼容。如果在中文简体版的

Windows95/98/2000下看到繁体中文或繁简混杂，那么多半这些中文是用GBK编码的。

Big5码：港台地区流行的汉字编码，针对繁体字。这种编码的汉字在中文简体版的Windows

95/98/2000下多半显示为乱码，但是在繁体版Windows下显示正常。

Unicode码：Windows2000/XP下的字符编码，全世界的文字都可以用统一的编码进行表示。

在Windows95/98/Me下显示，看到的可能是一堆问号。

6、文本替换（Replace）

对指定的文件进行批量文本替换，包括去除HTML文件中的广告链接、js/css代码，或从

TXT文件中去掉某些固定的文本等。

在设计这个功能时，主要依据我平时对文件进行整理的经验，同时参考了UltraEdit32

v10.10a、居辰工作室的TextWitchv1.0、风林的文本整理器v2.0等的长处。另外为了加快

速度，替换前先将整个文件读入内存，然后在内存中进行替换，因此处理某些巨型文件时可

能会有问题，不过处理通常几个MB的文件应该没啥问题。

使用方法：先设置替换选项，然后输入替换内容，即可开始替换。

“替换选项”说明：

匹配全词：对中文没用，不用点。

忽略大小写：对中文没用，不用点。

Unix格式转Windows格式：Unix格式的文本文件以n为换行符，Windows格式的文本文件

以rn为换行符。通常这个选项也不用点。

“替换选项”中每选择一个选项，都会增加一定的处理时间，“忽略大小写”选项被选中后，

还会增加内存消耗，因此请尽量不要选择不必要的选项。

输入替换内容的方法：可以点“添加文本”或“添加字符”按钮添加内容，也可以点“调入”

按钮调入以前保存的内容。每项内容都可以包含多行，一次可以对多项内容进行替换，特别

适合于批量整理从网上下载的HTML文件。如果经常需要整理从同一个网站下载的网页，

可以在输入全部替换内容后，点“保存”按钮存盘，以后再整理该网站的网页时，点“调入”

按钮即可载入替换内容。

“开始替换”选项说明：

如果只需要对某个或某几个文件进行替换，可以点“选择并替换指定的文件”按钮，在弹出

的对话框中选择文件即可。按住Ctrl或Shift键点击文件，即可一次选定多个文件。

如果需要对某个文件夹下的文件进行替换，可以先在“文件”框中选择或输入文件选择标准，

再点“文件夹”框右侧的按钮选择文件夹，点击“替换指定文件夹下的文件”按钮即可。如

果“包括子文件夹”选项被选中，则连子文件夹下的文件一起替换。

7、HTML整理（TidyHTML）

这个功能主要用于整理从网站上批量下载的HTML文件，包括去掉其中的广告链接、不合

适的CSS设置及功能限制（禁止选择、禁止拷贝、禁止右键菜单）等，也可以解密某些HTML

加密软件加密的HTML页。对于做E书的人来说，还可以用来在打包前先检查一下HTML

页面中是否包含指向本地磁盘的绝对链接。

使用方法：

先选择需要整理的HTML文件所在文件夹。

根据需要选择检查选项，然后点“检查”按钮开始对文件进行扫描。

扫描结果出来以后，先逐项双击打开看看，对不合适的可以编辑或删除。搞定后，点“替换

表中所有项”按钮，对HTML文件进行替换。如果觉得一项一项双击打开看太麻烦，也可

以导出成HTML文件看，但是一定要看，不然可能发生悲剧。

注意：在第三步开始替换后，原始HTML文件将会被替换，请事先做好文件备份，以免后

悔。

选项说明如下：

包括子文件夹：如果此选项被选中，则扫描时包括选定文件夹下面的所有子文件夹。

Unix格式转Windows格式：Unix格式的文本文件以n为换行符，Windows格式的文本文件

以rn为换行符。通常这个选项也不用点。

解密网页：对加密HTML文件进行解密，然后对解密结果进行检查。对于未加密网页来说，

勾上这个选项后，不仅检查速度会变慢，而且整理后的网页代码看起来好象重新排过版一样

（其实是被IE内核重新排版），所以缺省此选项未被选中。

检查绝对链接：检查网页中是否包含绝对链接。检查时不包括anchor链接。理论上说，打

包E书的所有链接都必须是相对链接，不能是绝对链接。

检查CSS：检查网页中是否包含样式表。对于不满意的样式表可以替换或清除。

检查Script：检查网页中是否包含脚本。通常广告链接都在脚本里。

检查功能限制：检查网页里是否包含功能限制，包括禁止选择、禁止拷贝、禁止右键菜单等。

在选择解密网页、检查绝对链接、检查CSS、检查Script、检查功能限制等选项时要注意，

如果都选上，不仅检查速度慢，而且可能一次列出太多的检查结果，因此应该根据需要，一

次只检查一项或几项，不需要的选项不必选。

8、文件切分（SplitFiles）

能够按照指定的大小切分文本文件，并且避免因为切出半个汉字而造成乱码，或将一个英文

单词切到两个文件中。

某些手机对jar文件大小有限制，所以在制作jar电子书前，往往需要先对文本文件进行切

分，然后再打包成jar书。

使用方法：

先设置“文件选项”，再设置“文件最大长度”，然后点击“开始”按钮，在弹出的对话框中

选择需要切分的文件（可多选）即可。每切分一个文件，都会在您所选的文件所在目录下创

建一个子目录，存放切分后的文件。

9、文本提取（Extractor）

从文本中抽取或删除指定的内容。其实这个功能完全可以通过正则表达式替换实现，不过考

虑到正则表达式不是人人都懂，所以还是单独做了这么一个大众化的功能。

使用方法：

选择需要进行的操作，究竟是“提取”还是“删除”起始点到结束点之间的内容。

指定在输出时，是否要输出起始点、结束点的内容，如起始点字符串、结束点字符串。

设置起始点。

设置结束点。

设置在提取完成后，如何处理原TXT文件。

根据需要，点击“开始提取”框中的按钮。

“开始提取”选项说明：

如果只需要对某个或某几个文件进行提取，可以点“选择并提取指定的文件”按钮，在弹出

的对话框中选择文件即可。按住Ctrl或Shift键点击文件，即可一次选定多个文件。

如果需要对某个文件夹下的文件进行提取，可以先在“文件”框中选择或输入文件选择标准，

再点“文件夹”框右侧的按钮选择文件夹，点击“提取指定文件夹下的文件”按钮即可。如

果“包括子文件夹”选项被选中，则连子文件夹下的文件一起提取。

10、正则表达式（RegExp）

运用正则表达式，实现批量文本查找、文本替换、文件切分功能。合理使用这些功能，可以

全部或部分代替本软件的下列功能：Html->Text、段落合并、段落切分、文本替换、HTML

整理、文件切分、文本提取，当然前提条件是您能够写出正确的表达式，否则建议您还是隐

藏这个页面吧。

支持正则表达式的软件在实现时通常都基于某个成熟的正则表达式引擎，目前可用的引擎有

不少，从开源的到封装过的都有。从我试用的结果来看，开源的几个引擎用起来都有点麻烦，

尤其在处理MBCS（多字节字符集）的时候，偏偏中文就是典型的MBCS。而微软在

JScript/VBScript中提供的正则表达式引擎，不仅接口简单、使用方便，对MBCS的支持也

没话说，所以成为我的首选。而这个引擎目前又有两个版本：1.0版和5.5版。1.0版从IE5

开始支持，5.5从IE5.5开始支持。从我测试的情况看，5.5版至少在以下方面比1.0版强：

1、支持非贪婪模式，而1.0版所有匹配都是贪婪的。

2、支持Multiline选项，这个对^、$有影响，而且很常用。

所以我没啥好犹豫的，直接就选择了5.5版。当然由此也带来了两个限制：

1、TextForever的正则表达式功能只能在装有IE5.5以上版本的机器上使用。不过现在IE6

应该已经算标配了吧？

2、由于JScript/VBScript内部均基于UNICODE，所以在表达式中计算字符数的时候，一个

中文字也算一个字符，而不是象通常ANSI环境下，一个字母、数字算一个字符，一个中文

字算两个字符。编码转换使用当前系统缺省代码页。

微软正则表达式引擎5.5版的详细说明见JScript/VBScript的相关文档，在本文附录B部分

给出了一个语法表，摘自微软出版的《VBScipt用户指南》电子版。这个基本上是给会写正

则表达式的人士参考用，用它来学写正则表达式可能有点困难，如果真想学，建议还是老老

实实找本书去翻翻吧：这个正则表达式引擎要比我用过的EditPlusv2.10c、UltraEdit3210.10a

的复杂和强大许多，包括向后引用（Backreferencing）等。

使用方法：

1、“添加”正则表达式。添加时可以先测试一下表达式的效果。如果表达式不正确，在这里

才给出提示。表达式输入后，可以“删除”、“修改”，也可以“保存”，在需要的时候再“调

入”，以重复利用。

2、选择需要操作的文件所在文件夹，及需要操作的文件。如果“含子文件夹”选项被选中，

则操作包括所选文件夹及其下所有子文件夹中的文件，否则只处理所选文件夹中的文件。

3、根据需要，选择“查找”、“替换”或“文件切分”操作。为了保险，建议在做替换或切

分之前，先用查找功能查一次，看看正则表达式的匹配结果与想像的是否一致，以免一失足

成千古恨。

在输入正则表达式时，允许有三个选项：

全局搜索（Global）：指明在搜索正则表达式的匹配时，是搜索文件中的所有匹配，还是只

搜索第一个匹配。缺省为选中，即搜索所有匹配。

忽略大小写（IgnoreCase）：指明搜索正则表达式匹配时是否忽略大小写。这个对中文没用，

所以缺省未选中。

多行文本（Multiline）：如果被选中，那么"^"匹配每行的开始位置，而"$"匹配每行的结

束位置。如果未被选中，那么"^"匹配文件的开始位置，而"$"匹配文件的结束位置。缺

省为选中。

11、OCR

将单色TIFF文件批量OCR成文本文件，结果文件可单独存放，也可以合并成一个大文本

文件。使用本功能前请先阅读《用Pdg2Pic、TextForever实现批量OCR》。

使用方法：先选择需要OCR的文件夹，然后选择结果文件，再根据需要设置OCR选项（通

常不需要更改缺省设置），点“开始OCR”即可。

OCR选项说明：

1、自动旋转：如果页面出现歪斜，用此功能可以纠斜。

2、自动拉伸：如果页面长宽比例失调，可以用此功能校正。

3、OCR语言：选择OCR语言。目前允许选择英文、中文简体、中文繁体。

自动旋转、自动拉伸均需要时间，考虑到多数PDG文件不需要进行校正，因此这两个选项

缺省不选中。如果页面确实变形比较厉害，可以选中后重新OCR。

12、TCR

将文本文件批量压缩成tcr文件，或将tcr文件批量解压成文本文件。压缩时可以选择是否

过滤空白符、段落标记，以节省存储和显示空间。这个功能是专门给制作在手机和PDA上

阅读的电子书用的，如果您只打算在电脑上看书，相信您不会用到这个功能。

使用方法：

TXT文件压缩：先设置“压缩文件选项”，然后点击“开始压缩”按钮，在弹出的对话框中

选择需要压缩的文件（可多选）即可。压缩后的文件和您所选的文件在同一目录下，如果有

同名文件，将会被自动覆盖。

TCR文件解压：点击“开始解压”按钮，在弹出的对话框中选择需要解压的文件（可多选）

即可。解压后的文件和您所选的文件在同一目录下，如果有同名文件，将会被自动覆盖。