如何把pdf变成文字.docVIP

OCR：如何把扫描版pdf转变成文字版？ 2011-07-31 11:28:39 我经常在阅读扫描格式pdf的时候，把它们抓取为文字格式，当然得是好书。可能有朋友不清楚ocr，它就是把文字从图像中识别抓取出来。文字版pdf的好处就是便于传播、引用，视觉上清晰，具有更大的处理空间，乃至可以二次制作，比如出于手机什么的阅读需要。但是，ocr过程中的文字识别率不会是100%，需要进一步校对，所以在这个意义上粗制滥造的文字版pdf还不如扫描原版的价值。 我分享自己的一点ocr经验，也是想更多的朋友制作文字版好书，也因为很多的朋友不熟悉ocr。 ocr软件很多，这里只根据自己的经验进行推荐，而忽略其他。 首先说单页pdf的ocr 这种单张图片式的文字抓取我强烈推荐JOCR。JOCR的优点是免费绿色轻量（绿色就是不需要安装），体积小到几乎不可思议的不到100kb。然后不可想象的是，这么小的软件其识别率还非常高，而且可以抓取20多种语言，包括中文繁体，夫复何求。 JOCR（原版、汉化版、使用说明、MODI及“繁体中文识别”文件）下载： /s/uImX 网路上有汉化版，其实不必。它常用功能很简单，一般就是第一步“Capture Region（选取需要ocr的区域）”，然后在语言框选择语言，最后“Recognize（识别）”，于是就为你蹦出一个txt文本，接下去你还可以就着这文本进行校对。 注意： 1、要成功使用JOCR，首先得保证在安装office时选择了“完整”安装选项，因为JOCR的运转是依托于Microsoft Office Document Imaging （MODI，中文OCR辨识引擎）的。Office 2003的缺省安装是第一次使用MODI时安装，Office 2007的缺省安装是不装，都需要自己主动安装一下。如果你没有完整安装office，也可以只是再安装一下MODI，微软官方有下载。 2、如果需要抓取繁体，而你使用的是简体windows系统（即比如安装的是简体中文Office 2003），那么请将下列“繁体中文识别”文件复制到C:\Program Files\Common Files\Microsoft Shared\MODI\11.0 TCCODE.UNI TCPRINT.DAT TCPRINT2.DAT TCSERHT.DAT TCTREE.DAT TW_BU.DAT TW_UB.DAT TWBIG532.DLL 然后双击reg文件导入注册表，ok。注意，导入注册表时必须先关闭所有MODI窗口。 此时，在MODI的OCR选项卡里，“OCR语言”中即可看到“中文（繁体）”，也就是说依托MODI运作的ocr软件具有了繁体识别功能。 或许你要问，JOCR的使用特别是繁体不免麻烦了一点点。我的回答是，推荐JOCR正是因为它要利用到MODI及其繁体识别功能。一般的ocr软件往往对繁体无措或者效果不如意，而微软MODI的效果非常的理想，我上一篇日记《马克思——披上科学外衣的诗人革命家》用的就是它，几乎就没有改正几个字（原文是竖排的）。所以说磨刀不误砍柴工，而且是微软自带的，省事省心。 然后说pdf批量ocr 一本pdf格式的书籍有很多页，自然要用批量才行。一般认为最强大的专业ocr软件是ABBYY FineReader，“世界排名第一的OCR文字识别工具”是也。ABBYY FineReader不依托MODI运作，不免费体积也很庞大，不过微软免费的MODI才5M多一点点。一个好状况是，热心的网友已经制作了中文绿色版，见“最好的OCR识别软件：ABBYY FineReader中文绿色版”/abbyy-finereader/。我自己比较ABBYY FineReader与MODI的效果，个人觉得MODI略胜一筹（主要在文字识别率上），至少难分上下。MODI抓取的结果只是文字，没有字体版式啥的，而ABBYY FineReader貌似有还原版面的追求，所以可能反而把问题复杂化（特别是在word中作修改可能叫你崩溃，当然你需要版面什么的另当别论）。 所以有鉴于此而推荐采用微软自带的MODI。 MODI的一般使用方法是：在打开的pdf文档“文件”-“打印”-“名称”中选择“microsoft office