求PDF文字提取出来的方式
发布网友
发布时间：2022-04-23 22:28
共3个回答
热心网友
时间：2022-04-27 01:59
一、“选择文字工具，选好了贴到word里”
如果你的PDF文件是用文字制做而不是图片制做的，可以“在Adobe Acrobat 7.0中有选择文字的工具，可以选好了贴到word里”。但是根据你介绍的情况，你的PDF文件是用图片做的，所以不能用这种方法。
二、批量截图
截图的办法对于不是很清楚的图片来说，并不可取，因为它要么会损失信息，要么会如楼主所说加大工作量。
我建议你先用Adobe Acrobat中的导出功能，将这个文件导出为图像。做法：在上面菜单上选文件>导出>提取图像为>JPEG文件（其他二种也行，JPEG文件比较小），再按提示，选择一个适当的文件夹，保存图像 。
这种方法保存下来的一张张图片，比你一页页截图省力多了，而且保留了原文件的全部信息。不过500页可不一个小数，会很慢，但至少不用你亲自动手干预了。
三、批量识别
如果你想进行编辑，就必须进行OCR识别。关键在于你如何能够批量进行这个工作。
好一点的OCR软件都可以一次导入多幅图片进行识别，然后输出。不过，好像500页的确有点多了，我从来也没有超过50页的记录，通常也就是二、三十页。就算50页，也比一页一页强，是吧？
我用过不少OCR软件，觉得汉王文本王、清华紫光TH比较好用。它们的识别率都非常高，还可以识别表格、繁体字、英文、竖排文字等；输出方式也很灵活，可以只输出文字，也可以按原稿排版格式输出WORD文件；使用起来也都不复杂。 不知你用的是什么版本的汉王，识别率会那么低。我有的时候识别质量很次的报纸上的文章，它的识别率也还是可以接受的。
四、提高识别率
如果你的底图质量非常差的话，建议你先在图片处理软件中将导出的图片进行放大、去点、锐化等处理，然后再送到OCR中识别。
我估计，你可能还是送入OCR的图片损失了部分原文的信息，造成识别率下降。因为你既然能放大，放大后截图的识别率还可以，那就说明原图的信息足够OCR识别了。只是你在操作过程中损失了部分东西。
所以，我建议你：
1）先将你的PDF文件导出5－10页图片出来
2）用汉王等OCR软件进行批量识别（识别中注意将不规则的部分框除）
3）输出成word文档
如果它们能很顺利地被识别出来，那后面的事就不用我说了。如果不行，那就真的是你的底图的问题了，这就需要对导出的图片进行批量修正处理。
热心网友
时间：2022-04-27 03:17
热心网友
时间：2022-04-27 04:51
试试这！
