从pdf图片中抓取文字.docVIP

从pdf图片中抓取文字 Home 今日一点, 技术分析 从pdf图片中抓取文字 Posted on April 23, 2008 by 白菜林 从pdf中抓取文字原理： 利用office的虚拟打印机Microsoft Office Document Image Writer把图片或者pdf打印到tiff或者mdi格式的文件，然后关联使用Microsoft Office Document Imaging打开tiff或者mdi文件，然后选择“工具”菜单下的“使用ocr识别文本”，识别完成后，在选择“工具”下的，“将文本发送到word”（或者直接选择“将文本发送到word”，会提示你先进行ocr识别，然后会自动开始），最后将把整个PDF文件识别输出到word文件中。 原理就是这样子啦，操作也很简单，Microsoft Office Document Imaging的安装我就不说啦，早些时候已经说过啦，可以参考：windows的的墨水服务『office2007的Microsoft Office Document Image安装』。 下边说说pdf文件中文字的识别 以文本形式保存的PDF文件：可以使用gmail发附件然后使用view html查看或者acrobat reader直接选中文字部分复制粘贴到记事本中或者word中即可。 以图片形式存在的pdf文件：这样gmail的附件就无能为力啦，就用到Microsoft Office Document Imaging啦，不过这个貌似对中文支持的不好（我的office 2007 +xp sp2的环境），这个倒是个多面玲珑角色，可以搞定很多格式文档的转换。 加密的pdf文件：先解密在继续啦。 繁体pdf文件：先识别到word，然后利用word的“工具”－－“语言”－－－“中文繁简转换” 上边说过这个Microsoft Office Document Imaging对中文的图片中的文字识别的可能有问题（直接崩溃啦嘛），so 昨晚我抓去图片中的文字就不是使用的这个Microsoft Office Document Imaging，而是使用的尚书七号，如果需要可以到这里下载地址：/self.aspx/soft/shangshuqihao-ocr-zhuceban.zip 首先把pdf转换为图片bmp，jpg的都行，也可以用photo shop来搞成图片（不过注意图片质量一定要好啊）。然后使用尚书七号打开，具体步骤： 工具菜单——版面分析（自动分析后若有错误可以自己用鼠标修改）——开始识别——纠错（有错误就改吧，鼠标选中就修改啦！！）——输出到指定格式——保存为txt的文本就是啦（根据自己需要啦有txt，rtf,htm,xls）。   这几个图没分顺序，不过很好认啦。 补充：1，由于虚拟打印到Microsoft Office Document Image Writer 比较慢，并且形成的虚拟文件很大，1本200多页的书大约是60M，因此会严重影响机器的运行速度和C盘空间以及内存空间，建议配置好的机器一次转化不要 超过200页，配置差的不要超过100页，同时打印时在右下角系统栏中会出现打印机图，你可以双击，看到打印任务的进度，以免以为死机了。另外转化完成后 请删除c:\windows\temp目录下的虚拟打印文件，否则你的c盘很快会被用光。 2，建议如果发生打 印到Microsoft Office Document Image Writer很慢或者假死的情况，可以先打印到snagit虚拟打印机，会自动生成tiff文件，速度比Microsoft Office Document Image Writer快，然后在snagit中，选择打印机为Microsoft Office Document Image Writer打印机，（相当于再打印到Microsoft Office Document Image Writer打印机），然后选择snagit—outputs下的printer，然后选择snagit—-file—-finish output，即可生成msi文件，其他一样。 3，对于把pdf转换为图片格式可以使用更专业的软件，搜下就有啦“pdf转换为图片”。比如：pdftojpg 转载原创文章请注明，转载自：[Lins Space|Only] 本文链接: /technical-analysis/pdf-crawl-from-the-text-in-the-picture-1007/ Google比较注重原创性和时效性，若没有找到需要的内容可尝试以下搜素。 This entry was posted in 今日一点, 技术分析 and tagged Microsoft, Office, pdf. B