簡單抓取PDF上的文字
大家或許有很多工具來抓取PDF上的文字,今天我想介紹大家一個(gè)簡單有實(shí)惠的方法來抓取PDF文件上的文字.
首先打開PDF文件，然后選擇打印,只要您系統(tǒng)上安裝了Microsoft Office 2003的話,您將會有一個(gè)名字為Micosoft Office Document Image Writer可以選擇,然后圖片將打印到一個(gè)擴(kuò)展名為MDI格式的圖象文件.然后我們可以編輯這個(gè)文件,選擇菜單工具中的"將文本發(fā)送到WORD",它將自動處理圖象,將圖象上的文字轉(zhuǎn)換到WORD上.
讓JPG上的文字轉(zhuǎn)換到WORD中
在日常工作中,我們可能會遇到需要把掃描后的表格或文章再重新修改或排版,然而大家都知道,掃描后的文件格式是圖片格式.一般情況下只有高檔點(diǎn)的掃描儀可以直接選擇掃描成PDF后者WORD格式.但是如果我們只有普通的掃描儀,而又要做到修改掃描后的文檔,現(xiàn)在我就來教大家怎么在條件限制下,達(dá)到我們的目的.
首先我們要準(zhǔn)備好OFFICE 2003,然后打開OFFCIE工具中的Micosoft Office Document Scanning工具,設(shè)置完后,我們就可以在需要修改的圖片上右擊,選擇打印,然后一直下一步,知道選擇打印機(jī)時(shí),選擇Micosoft Office Document Image Writer,然后將圖片打印到文件擴(kuò)展名為mdi格式的圖片格式.打開后選擇菜單工具中的"將文本發(fā)送到WORD".就是這么簡單方便
各種格式文件轉(zhuǎn)換成word文件的方法2007-03-01 下午 07:58各種格式文件轉(zhuǎn)換成word文件的方法各種格式文件轉(zhuǎn)換成word文件的方法你還在為不同格式的文件怎么變成word文件發(fā)愁嗎？各種識別軟件各有缺陷，識別效率低，讓你痛苦不堪，有的只能識別字，對表格和圖形無能為力，識別完了，版面亂七八糟，無法使用?，F(xiàn)在好了，本文針對各種情況下文字識別進(jìn)行總結(jié)，幫助大家掌握正確方法，節(jié)省時(shí)間，本文給出了所有情況下全文件表格、圖形、文字識別的完美解決方案：
1、PDF文件的識別：
1）文件可以直接識別的（以文本形式保存的PDF文件）：安裝acrobat 5 專業(yè)版，注意不是acrobat reader，直接另存為rtf文件（識別整個(gè)文件），或者選擇工具欄上的文字選擇按鈕，然后選擇文字區(qū)域，然后復(fù)制到word等中。
2）文件不能直接識別的（以圖片形式保存的PDF文件）：安裝office2003，并裝上office工具M(jìn)icrosoft Office Document Imaging（完全安裝此工具），然后在打印機(jī)里面會增加Microsoft Office Document Image Writer打印機(jī)，然后將PDF文件打印到此打印機(jī)，選擇打印形成的文件的保存位置，然后會自動形成一個(gè)MDI文件，并且自動用Microsoft Office Document Image打開此文件，然后選擇“工具”菜單下的“使用ocr識別文本”，識別完成后，在選擇“工具”下的，“將文本發(fā)送到word”，最后將把整個(gè)PDF文件識別輸出到word文件中。
注意：Microsoft Office Document Image可以非常準(zhǔn)確的全文件識別轉(zhuǎn)化中文、英文、表格，但是無法將圖形輸出到word，而是把文件中的所有圖形單獨(dú)形成一個(gè)個(gè)獨(dú)立的圖片文件，放在相同位置的一個(gè)相同名稱的文件夾中，因此可用snagit軟件將圖形打開，然后復(fù)制到word中。（所有的識別軟件都不能很好的處理圖形的識別問題，Microsoft Office Document Image的這種處理方法已經(jīng)是非常好的解決這個(gè)問題了。）
3）加密的Pdf文件：先下載解密軟件，解密后在參看1),2)
4）繁體pdf文件：用2)的方法識別到word后，用word中的“工具”－－“語言”－－－“中文繁簡轉(zhuǎn)換”
2、讓JPG上的文字轉(zhuǎn)換到WORD中
在日常工作中,我們可能會遇到需要把掃描后的表格或文章再重新修改或排版,然而大家都知道,掃描后的文件格式是圖片格式.一般情況下只有高檔點(diǎn)的掃描儀可以直接選擇掃描成PDF后者WORD格式.但是如果我們只有普通的掃描儀,而又要做到修改掃描后的文檔,現(xiàn)在我就來教大家怎么在條件限制下,達(dá)到我們的目的.
首先我們要準(zhǔn)備好OFFICE 2003,然后打開OFFCIE工具中的Micosoft Office Document Scanning工具,設(shè)置完后,我們就可以在需要修改的圖片上右擊,選擇打印,然后一直下一步,知道選擇打印機(jī)時(shí),選擇Micosoft Office Document Image Writer,然后將圖片打印到文件擴(kuò)展名為mdi格式的圖片格式.打開后選擇菜單工具中的"將文本發(fā)送到WORD".就是這么簡單方便
3、caj文件的識別：
1）局部文字識別：直接使用caj瀏覽器的ocr
2）全文件識別：打印到Microsoft Office Document Image Writer打印機(jī)，后面和上面的2)操作一樣
3）博碩論文全文下載：在線閱讀博碩論文，待可以看到最后一頁后，不要關(guān)閉caj瀏覽器，到caj安裝目錄下cache中找到一個(gè)較大的文件，拷貝到其他位置即可。然后使用2)全部轉(zhuǎn)化為word。
4、超星文件的識別：
1）局部文字識別：直接使用超星瀏覽器的ocr
2）全文件識別：打印到Microsoft Office Document Image Writer打印機(jī)，后面和上面的2)操作一樣，要注意的是，超星打印功能有點(diǎn)區(qū)別，因?yàn)槌鞘悄夸浐腿姆珠_的，所以打印時(shí)，需要分別把目錄和正文識別到word中，在合并到一起。打印時(shí)要填入打印頁碼從1到最后一頁，不要選擇打印全部。此外在打印選項(xiàng)中，還要將頁面比例設(shè)成真實(shí)大小，而不是整寬。注意：識別速度比其他格式要慢很多，請保持耐心，但是最后當(dāng)你看到輕松的生成全本書的word版本時(shí)，你會欣喜若狂的，呵呵。我的試驗(yàn)結(jié)果是一本280頁的書，識別需要幾分鐘的時(shí)間。
3）超星相對比較麻煩一些，如果還有問題，可以先把超星打印成完整的pdf文件，然后在用1、的方法轉(zhuǎn)成word
5、其他情況下的識別：
使用snagit軟件將任何形式的文字可以變成圖片，例如使用snagit將屏幕拷貝成圖片，然后右鍵點(diǎn)擊圖片文件，用microsoft Office Document Image打開圖形，其他和2)一樣。
注意：其他的各種識別軟件請不要在用，因?yàn)橐粗荒茏R別中文，要么只能識別英文，要么不能識別整個(gè)文件，要么不能識別屏幕拷貝圖像，要么識別誤差很大，要么不能識別表格，要么需要注冊，要么識別速度很慢，要么使用不便（和word結(jié)合不緊），這些軟件包括：紫光ocr，萬方pdfocr，尚書，漢王，ScanSoft PDF Converter，pdf2word，以及各種被推薦的軟件等等，我都裝過，現(xiàn)在都像垃圾一樣刪除了。只要安裝了acrobat 專業(yè)版，snagit，office2003，現(xiàn)在你可以完美的做任何事，最重要的是這幾個(gè)軟件很好得到。
針對一些問題的補(bǔ)充：
經(jīng)過一些試驗(yàn)，發(fā)現(xiàn)microsoft Office Document Image 存在一些不穩(wěn)定的問題，例如在用caj打印到Microsoft Office Document Image Writer打印機(jī)時(shí)，發(fā)現(xiàn)用caj5.5版本比較快，（caj5.5不能加升級補(bǔ)?。?，而caj5.0有時(shí)出現(xiàn)假死機(jī)。
另外頁面顯示大時(shí)，轉(zhuǎn)化的識別率較高。
如果頁數(shù)多的文件，包括超星，如果有問題，可以分多次轉(zhuǎn)化。
再次補(bǔ)充：
1、由于虛擬打印到Microsoft Office Document Image Writer 比較慢，并且形成的虛擬文件很大，1本200多頁的書大約是60M，因此會嚴(yán)重影響機(jī)器的運(yùn)行速度和C盤空間以及內(nèi)存空間，建議配置好的機(jī)器一次轉(zhuǎn)化不要超過200頁，配置差的不要超過100頁，同時(shí)打印時(shí)在右下角系統(tǒng)欄中會出現(xiàn)打印機(jī)圖，你可以雙擊，看到打印任務(wù)的進(jìn)度，以免以為死機(jī)了。另外轉(zhuǎn)化完成后請刪除c:/windows/temp目錄下的虛擬打印文件，否則你的c盤很快會被用光。
2、建議如果發(fā)生打印到Microsoft Office Document Image Writer很慢或者假死的情況，可以先打印到snagit虛擬打印機(jī)，會自動生成tiff文件，速度比Microsoft Office Document Image Writer快，然后在snagit中，選擇打印機(jī)為Microsoft Office Document Image Writer打印機(jī)，（相當(dāng)于再打印到Microsoft Office Document Image Writer打印機(jī)），然后選擇snagit---outputs下的printer，然后選擇snagit----file----finish output，即可生成msi文件，其他一樣。
3、caj5.5不能下載博碩論文，無法打開下載的論文，要用caj5.0下載
