资源描述：
《从pdf图片中抓取文字.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、个人收集整理勿做商业用途从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 onAprｉl23, 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MicrosoftOfｆicｅ DｏcｕmｅntＩmａｇｉｎg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
2、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，MiｃrosｏftOfｆiceＤocument 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MｉcrosoftOｆｆiceＤocumenｔ 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viewｈtmｌ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
3、用到MicroｓoｆtOｆficｅDｏcumｅntＩmaｇing啦,不过这个貌似对中文支持的不好（我的offiｃe2007+xpsp2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 OｆficeDocｕmeｎtＩmagｉng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 ＯfｆiceＤocumentImａｇｉng，而是使用的尚书七号，如果需要可以到这里下
4、载地址:http：/／cid-70082f39０7228a49．skydｒiｖｅ.ｌｉve.cｏm/self.aspｘ／soft/ｓhangｓhuqｉｈａｏ-ｏcr－ｚhｕceｂan.zｉp个人收集整理勿做商业用途首先把pdf转换为图片bmp，jpｇ的都行，也可以用phｏｔoｓhop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）。ﻫ这几个图没分顺序,不过
5、很好认啦。补充：ﻫ1，由于虚拟打印到MicrosｏftOffiｃeDocumentImageWｒiｔer个人收集整理勿做商业用途比较慢，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：windowstｅmp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MiｃrosｏftＯfficｅDocument ImagｅWriｔer很慢或
6、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MicroｓoftOｆficeＤocument Imａgｅ Wrｉtｅｒ快，然后在snagｉｔ中,选择打印机为ＭicｒosoｆｔOfｆiceDｏｃｕmentＩmagｅWritｅr打印机，（相当于再打印到MicrosｏftＯfｆｉｃｅ ＤocuｍentImａｇeWriｔｅｒ打印机），然后选择sｎagit—ｏutputs下的priｎteｒ，然后选择sｎagｉｔ—－filｅ—－finishouｔpuｔ,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
7、:ｐdftojpg转载原创文章请注明，转载自：[Lin'sSpacｅ
8、Onｌｙ]本文链接:hｔｔp:/／cliｎ0０3.com/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。Tｈisｅｎtry wａspｏｓｔedin今日一点, 技术分析andtagｇｅd Mｉ
