Bug 发现
前些天，在bilibili的首页刷到一个名为 修BUG的第一天 我给微软的 PowerToys 修了一个 BUG 的视频。恰好Powertoys这款软件我也在使用，于是便点进去看了看视频，是一个文字识别输出方面的Bug，但视频作者过于自信的语气，加之“标题的第一天”就是没有C#或者大型项目开发经验的代名词，对于他代码，我怀疑有问题。
第二天早上起来，测试相关模块功能，果然，只是从一个错误转移成了另一个错误。
Bug 解释
Using TextExtractor to extract Chinese always contains spaces
最初的bug源于此，是由于中文的文字图片识别引擎返回的内容是以字为单位的，英文部分则是以词为单位。最初的代码在所有的识别单位中添加一个 （空格）作为间隔。如此便导致了中文汉字间包含错误空格。
[TextExtractor] Add space between CJK words and non-CJK
错误修复示范：遍历判断单位是否CJK文字，如果是则不加空格，不是的话就前后各加一个空格。也就是从这 里 是 AO 的 blog ， 你 好 ！ 变成了这里是 AO 的 blog ， 你好 ！。
而实际正确的应该是这里是AO的blog，你好！，英文和中文之间最好没有空格，标点也不应该有空格。这里就有一个新问题，标点怎么涵盖？既然是CJK，那么日语和韩语的情况呢？韩文引擎表现不同，非单字识别，测试日文如下：
1そ の 後 、 2 人 の 住 む 関東 は 本格的 に 梅雨入 り し 、 雨 の 日 の 午前 た け の さ さ や か な 交流 が は し ま る 。
显然，日语的假名并没有算到CJK words里。观察一下源代码：
1var cjkRegex = new Regex(@"\p{IsCJKUnifiedIdeographs}");
2foreach (OcrLine ocrLine in ocrResult.Lines){
3 bool isBeginning = true;
4 bool isCJKPrev = false;
5 foreach (OcrWord ocrWord in ocrLine.Words){
6 bool isCJK = cjkRegex.IsMatch(ocrWord.Text);
7 // Use spaces to separate non-CJK words.
8 if (!isBeginning && (!isCJK || !isCJKPrev)){
9 _ = text.Append(' ');
10 }
11 _ = text.Append(ocrWord.Text);
12 isCJKPrev = isCJK;
13 isBeginning = false;
14}
15...
16}
问题就出现在代码最开头，CJKUnifiedIdeographs只包含CJK的汉字部分。因此数字，假名，符号，统统都有空格。
Patch
那么，是否把所有的CJK符号放到判断式子里就万事大吉了呢？并不，考虑下面情况，空格依旧是重要的：
1韩文半角符号
2⑨ 记得给你的switch充电
3「卍 解」天锁斩月
4现在的B站都喜欢给标题加上空格——《反 复 横 跳》
文本的多样性决定了，空格的出现是难以预料的，引擎的输出格式决定了丢失了一部分的信息，这部分的信息是难以通过代码复现的（比如这个项目的处理也有问题）。此问题应该交由引擎处理，或者分割开来，交给各语言的native speaker来写处理规则，而不是简单的加个残缺的范围了事。
考虑到这个模块也不是主要模块，引擎目前功能并不完善，不支持多语言识别，语言种类识别加之识别率一般，所以简单做个补丁。
1// var cjkRegex = new Regex(@"\p{IsCJKUnifiedIdeographs}|\p{IsHiragana}|\p{IsKatakana}|[\uFF61-\uFF9F]|[\u3000-\u3003]");
2var cjkRegex = new Regex(@"\p{IsCJKUnifiedIdeographs}|\p{IsHiragana}|\p{IsKatakana}|[\uFF61-\uFF9F]");
{IsCJKUnifiedIdeographs} for Kanji in JP and ZH
{IsHiragana} for Hiragana
{IsKatakana} for Katakana
[\uFF61-\uFF9F] for Half-width Katakana
[\u3000-\u3003] for the most common Punctuation
考虑中文、日文、韩文，加入最常用的假名，半角假名。可供正常阅读。
1その後 、 2 人の住む関東は本格的に梅雨入りし 、 雨の日の午前たけのささやかな交流がはじまる 。
吐槽
-
这个问题并没有得到很好的解决。最上策：有一个完备的引擎处理，准确的识别，具备以行为单位输出的功能。中策：分开处理，对每一种语言的符号进行详细的考证，编写规则，确保一般文本的准确性。（混合语言和新型新式可能会出错。）
-
微软，提高代码和审核的标准！（我说我电脑怎么越来越卡。这代码不卡才怪。） 如果没更好的解决办法，你就先把我的patch并进去或者把那个问题代码迁出来吧。
更新
上游程序通过更加复杂的筛选方案，已经修复此Bug，并已合并到Powertoy中，此帖终结。哈哈，相比之下，自己写的代码也是一坨，彼此彼此啦。