求pdf文字提取出來的方式，求PDF文字提取出來的方式

1樓：匿名使用者

批量處理是有辦法的

一、「選擇文字工具，選好了貼到word裡」

如果你的pdf檔案是用文字製做而不是**製做的，可以「在adobe acrobat 7.0中有選擇文字的工具，可以選好了貼到word裡」。但是根據你介紹的情況，你的pdf檔案是用**做的，所以不能用這種方法。

二、批量截圖

截圖的辦法對於不是很清楚的**來說，並不可取，因為它要麼會損失資訊，要麼會如樓主所說加大工作量。

我建議你先用adobe acrobat中的匯出功能，將這個檔案匯出為影象。做法：在上面選單上選檔案》匯出》提取影象為》jpeg檔案（其他二種也行，jpeg檔案比較小），再按提示，選擇一個適當的資料夾，儲存影象。

這種方法儲存下來的一張張**，比你一頁頁截圖省力多了，而且保留了原檔案的全部資訊。不過500頁可不一個小數，會很慢，但至少不用你親自動手干預了。

三、批量識別

如果你想進行編輯，就必須進行ocr識別。關鍵在於你如何能夠批量進行這個工作。

好一點的ocr軟體都可以一次匯入多幅**進行識別，然後輸出。不過，好像500頁的確有點多了，我從來也沒有超過50頁的記錄，通常也就是

二、三十頁。就算50頁，也比一頁一頁強，是吧？

我用過不少ocr軟體，覺得漢王文字王、清華紫光th比較好用。它們的識別率都非常高，還可以識別**、繁體字、英文、豎排文字等；輸出方式也很靈活，可以只輸出文字，也可以按原稿排版格式輸出word檔案；使用起來也都不復雜。不知你用的是什麼版本的漢王，識別率會那麼低。

我有的時候識別質量很次的報紙上的文章，它的識別率也還是可以接受的。

四、提高識別率

如果你的底圖質量非常差的話，建議你先在**處理軟體中將匯出的**進行放大、去點、銳化等處理，然後再送到ocr中識別。

我估計，你可能還是送入ocr的**損失了部分原文的資訊，造成識別率下降。因為你既然能放大，放大後截圖的識別率還可以，那就說明原圖的資訊足夠ocr識別了。只是你在操作過程中損失了部分東西。

所以，我建議你：

1）先將你的pdf檔案匯出5－10頁**出來

2）用漢王等ocr軟體進行批量識別（識別中注意將不規則的部分框除）

3）輸出成word文件

如果它們能很順利地被識別出來，那後面的事就不用我說了。如果不行，那就真的是你的底圖的問題了，這就需要對匯出的**進行批量修正處理。

2樓：匿名使用者

adobe acrobat軟體直接轉換成word文件。就文字而言轉換後的正確率還是蠻高的，對於文字和**混版的，排版方面就需要自己調整。謝謝。