从pdf图片中抓取文字

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:http://cid-70082f3907228a49.skydrive.live.com/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