資源描述：
《如何把pdf變成文字》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。
1、OCR：如何把掃描版pdf轉(zhuǎn)變成文字版？2011-07-3111:28:39我經(jīng)常在閱讀掃描格式pdf的時(shí)候，把它們抓取為文字格式，當(dāng)然得是好書?？赡苡信笥巡磺宄cr，它就是把文字從圖像中識別抓取出來。文字版pdf的好處就是便于傳播、引用，視覺上清晰，具有更大的處理空間，乃至可以二次制作，比如出于手機(jī)什么的閱讀需要。但是，ocr過程中的文字識別率不會是100%，需要進(jìn)一步校對，所以在這個意義上粗制濫造的文字版pdf還不如掃描原版的價(jià)值。我分享自己的一點(diǎn)ocr經(jīng)驗(yàn)，也是想更多的朋友制作文字版好書，也因?yàn)楹芏嗟呐笥巡皇煜cr。ocr軟件很多，這里只
2、根據(jù)自己的經(jīng)驗(yàn)進(jìn)行推薦，而忽略其他。首先說單頁pdf的ocr這種單張圖片式的文字抓取我強(qiáng)烈推薦JOCR。JOCR的優(yōu)點(diǎn)是免費(fèi)綠色輕量（綠色就是不需要安裝），體積小到幾乎不可思議的不到100kb。然后不可想象的是，這么小的軟件其識別率還非常高，而且可以抓取20多種語言，包括中文繁體，夫復(fù)何求。JOCR（原版、漢化版、使用說明、MODI及“繁體中文識別”文件）下載：http://vdisk.weibo.com/s/uImX網(wǎng)路上有漢化版，其實(shí)不必。它常用功能很簡單，一般就是第一步“CaptureRegion（選取需要ocr的區(qū)域）”，然后在語言框選擇語
3、言，最后“Recognize（識別）”，于是就為你蹦出一個txt文本，接下去你還可以就著這文本進(jìn)行校對。注意：1、要成功使用JOCR，首先得保證在安裝office時(shí)選擇了“完整”安裝選項(xiàng)，因?yàn)镴OCR的運(yùn)轉(zhuǎn)是依托于MicrosoftOfficeDocumentImaging（MODI，中文OCR辨識引擎）的。Office2003的缺省安裝是第一次使用MODI時(shí)安裝，Office2007的缺省安裝是不裝，都需要自己主動安裝一下。如果你沒有完整安裝office，也可以只是再安裝一下MODI，微軟官方有下載。2、如果需要抓取繁體，而你使用的是簡體wind
4、ows系統(tǒng)（即比如安裝的是簡體中文Office2003），那么請將下列“繁體中文識別”文件復(fù)制到C:ProgramFilesCommonFilesMicrosoftSharedMODI11.0TCCODE.UNITCPRINT.DATTCPRINT2.DATTCSERHT.DATTCTREE.DATTW_BU.DATTW_UB.DATTWBIG532.DLL然后雙擊reg文件導(dǎo)入注冊表，ok。注意，導(dǎo)入注冊表時(shí)必須先關(guān)閉所有MODI窗口。此時(shí)，在MODI的OCR選項(xiàng)卡里，“OCR語言”中即可看到“中文（繁體）”，也就是說依托MODI運(yùn)作的
5、ocr軟件具有了繁體識別功能?；蛟S你要問，JOCR的使用特別是繁體不免麻煩了一點(diǎn)點(diǎn)。我的回答是，推薦JOCR正是因?yàn)樗玫組ODI及其繁體識別功能。一般的ocr軟件往往對繁體無措或者效果不如意，而微軟MODI的效果非常的理想，我上一篇日記《馬克思——披上科學(xué)外衣的詩人革命家》用的就是它，幾乎就沒有改正幾個字（原文是豎排的）。所以說磨刀不誤砍柴工，而且是微軟自帶的，省事省心。然后說pdf批量ocr一本pdf格式的書籍有很多頁，自然要用批量才行。一般認(rèn)為最強(qiáng)大的專業(yè)ocr軟件是ABBYYFineReader，“世界排名第一的OCR文字識別工具”是也
6、。ABBYYFineReader不依托MODI運(yùn)作，不免費(fèi)體積也很龐大，不過微軟免費(fèi)的MODI才5M多一點(diǎn)點(diǎn)。一個好狀況是，熱心的網(wǎng)友已經(jīng)制作了中文綠色版，見“最好的OCR識別軟件：ABBYYFineReader中文綠色版”http://www.portablesoft.org/abbyy-finereader/。我自己比較ABBYYFineReader與MODI的效果，個人覺得MODI略勝一籌（主要在文字識別率上），至少難分上下。MODI抓取的結(jié)果只是文字，沒有字體版式啥的，而ABBYYFineReader貌似有還原版面的追求，所以可能反而把問題
7、復(fù)雜化（特別是在word中作修改可能叫你崩潰，當(dāng)然你需要版面什么的另當(dāng)別論）。所以有鑒于此而推薦采用微軟自帶的MODI。MODI的一般使用方法是：在打開的pdf文檔“文件”-“打印”-“名稱”中選擇“microsoftofficedocumentimagingwriter”，打印你需要的（所有）頁面（這個乃至后邊生成的文件地址最好在桌面一類，不然找起來費(fèi)神）。于是，它生成一個后綴名為mdi的文件。你打開這個mdi文件，在“工具”中選擇“使用OCR識別文本”，然后開始可能是很漫長的識別過程，電腦不給力的話一本數(shù)百頁的書可能漫長到兩三個小時(shí)。識別結(jié)束后
8、，你再在“工具”中選擇“將文本發(fā)送到Word”，然后它為你生成一個后綴名為htm的文件，里頭就有你想要的文字了。關(guān)于ocr
