从CAJ等文件中提取全文本的方法.docVIP

从CAJ等文件中提取全文本的方法 从CAJ等文件中提取全文本的方法 现在网上的许多资料都是以CAJ、PDF等文件格式提供的，其中的文本不能被直接编辑。网上提供了许多处理这种情况的软件，但是它们不 是效率低，就是只能提取其中部分文本。本文所述利用微软提供的OCR识别技术从CAJ、PDF等文件中提取全部文本的方法，简便快捷，效率很高 。 　 从不同格式的文件中提取文本前需要做好以下准备工作，安装CAJViewer5.5浏览器软件和acrobat 5 专业版浏览器软件安装Office2003， 并完全安装Of?鄄fice工具Microsoft Office Document Imaging，然后在打印机里面会增加Microsoft Office Document Image Writer打印机 。 Microsoft Office Document Image可以非常准确的全文件识别转化中文、英文、表格。 　　一、CAJ文件的识别 　　（一）首先，从网上下载CAJ格式的资料文件保存到本地硬盘上。 　　（二）然后，启动CAJViewer浏览器程序，并在该程序中打开刚才保存的CAJ格式的文件。浏览文件到最后一页后，不要关闭CAJ浏览器程序 。 　　（三）在CAJ浏览器程序窗口中，选择“文件”→“打印”，并选择打印机为Microsoft Office Document Image Writer打印机，勾选打印 到文件选项和确定打印页数。 　　（四）保存打印文件（*.prn）到适当位置。等待打印完成后，Microsoft Office Document Image 自动打开刚才保存的打印文件。d+E 　　（五）在Microsoft Office Document Image窗口中，选择“页面”菜单中的“选择所有页面”菜单项，然后选择“工具”菜单中的“使用 OCR识别文本”提取文本。 　　（六）选择“工具”下的 “将文本发送到word”，最后将把整个CAJ文件识别输出到word文件中。 　　二、PDF文件的识别) 　　（一）以文本形式保存的PDF文件，用acrobat 5 专业版，识别整个文件。直接打开从网上下载的PDF格式文件另存为RTF文件，或者选择工 具栏上的文字选择按钮，然后选择文字区域，然后复制到Word中即可。 　　（二）以图片形式保存的PDF文件，将PDF文件打印到Microsoft Office Document Image Writer打印机，选择打印形成的文件的保存位置 ，然后会自动形成一个MDI文件，并且自动用Microsoft Office Document Image打开此文件，然后在Microsoft Office Document Im?鄄age中 选择“工具”菜单中的“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”，最后将把整个PDF文件识别输出到 word文件中。 　　（三）加密的PDF文件先下载解密软件，解密后在参照上述步骤1),2) 进行。 　　（四）繁体PDF文件用上述步骤2)的方法识别到word后，用word中的“工具”→“语言”→“中文繁简转换” 　　三、超星文件的识别 　 （一）全文件识别打印到Microsoft Office Document Image Writer打印机，然后按上述PDF文件的识别步骤中第二点操作，要注意的是 ，超星打印功能有点区别，因为超星是目录和全文分开的，所以打印时，需要分别把目录和正文识别到Word中，再合并到一起。打印时要填入 打印页码从1到最后一页，不要选择打印全部。在打印选项中，要将页面比例设成真实大小，而不是整宽。注意识别速度比其他格式要慢很多， 请保持耐心。一般一本200多页的书，识别需要几分钟的时间。 　　（二）超星文件识别相对比较麻烦一些，如果还有问题，可以先把超星打印成完整的PDF文件，然后再用上述识别PDF文件的方法转成Word 。 　　四、后记 　　经过试验，发现Microsoft Office Document Image 存在一些不稳定的问题，如在用CAJ打印到Microsoft Office Document Image Writer 时，发现用CAJ5.5版本比较快，而CAJ5.0有时出现假死机。页面显示大时，转化的识别率较高。如果页数多的文件，包括超星，可以分多次转 化。 　　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、C盘和内存空间。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，同时打印时在任务栏中会出现打 印机图标，可以