识别caj文件另存为pdf格式和图像文字(PDF文档)转换为文本文字的识别方法剖析

一、 caj文件另存为pdf格式方法

中国知网上下载的一些硕博论文都只有c aj格式的。只能被CAJView er打开。但是最近经常要在l inux系统阅读这些文章在哪里可没有l inux版本的C AJ Vi ew er。在网上找了一下真的找到了一种简单的可行办法

打开caj文件

文件>打印>打印机选择Adobe PDF或TinyPDF等虚拟打印机>打印范围选择需要的全部 >确定>在出现的另存为窗口中单击保存>然后就是转换格式的过程

出现如下左图或右图

或转换后的效果如下图

这里本电脑已经安装了Adobe Acrobat Pro不清楚其他机器上保存的时候是否和和转了该软件相关。另外需要说明的是转换出来的pdf文件时图片格式要复制文字的话需要先用Adobe Acrobat Pro文字识别一下然后就可以选定文字了。Acrobat识别文字的具体方法以前写过详情请查看下方的我的更多文章。

采用Acrobat文字识别后的效果如下图

二、图像文字转换为word文档_文字识别的两种简便方法

在日常工作中经常会遇到想复制某段文字但是却发现文字是图片格式的。 曾经遇到好多朋友问过我类似的问题大概有下面几种问法

 如何把图片变成文字

 怎么把书上的文字快速识别出来

 怎么把ppt里面的图片转成文字

 为什么有的pdf文件没法复制

等等一些列类似的问题。

以前不太清楚 曾经让那些同学可以尝试尚书之类的软件但我其实没实际用过并不知道效果。还有就是网上的OCR在线文字识别我也曾收集过好多这样的网站在线OCR文字识别 但是自己使用过错误率较高而且还要看网站支持不支持中文识别。

前几周用Adobe Acrobat Pro偶然摸索出来文字识别的一种方法也帮同学识别了一个31页的文章。昨天又在网上看到同学分享的内容又发现CAJVie wer的文字识别方法。试了一下也不错。好久没写这种计算机的文章了。今天在新闻网值班 闲着没事了写一下吧。

示例图片如图所示 第一个图片为了鉴别是被准确率故意设置了多种效果

因为Adob e Ac rob at P ro还是收费的软件大众用起来不是特比方便。所以还是从免费的CAJViewe r说起吧。

基本条件 电脑安装CAJViewer、word 可以吧word另存为pdf本文以o ffice 2010为例进行演示

首先新建word文档插入以上两张图片文件>另存为>PDF格式。

操作过程如图所示

然后在CAJVie we r中打开刚才保存的pdf文件。

点击“文字识别”>在文本中“框选”要识别的部分>好了 出来文字了。

识别之后的文字如下图所示

H.比1 H_}客http了lb}og.s i na_c or}_c n/b}}}50801

I} }Ie-'}-'航IP石A匕视直播节…!}. ,}dhe. }}I}c 1e.ht,}1

上善若水 . ._`-Sp-利万物而不争。意苟畏龙境界的善行

就像水的品性-样泽被万物而不争名利。

心在水中

H.He博客http://b I o9. s i na.com.cn/b2}}}}}}}

H,导航I P}r6电视直播节目ht tp://hdh}, tk/r nclex,htm I

上善若水善利万物而不争。意为最高境界的善行

就像水的品性一样泽被万物而不争名利。f}}在水中

然后按照屏幕提示可以复制到剪贴板、发送到word或者是其他软件。从识别的准确率来看字体的要求特别高最好边缘清晰颜色统一字体大小要求影响不大。但相比之下下面的图片识别准确率明显高于上面的。

使用该方法个人认为对于较少的文字识别情况是十分简单的。当面对较大的数目的时候如果依然是这样一点点选定的话可能效率不是特别高。 此处没有发现如何设置可以整个文本全部识别欢迎各位提出各种好办法

下面说一下应用Ado be Acro bat Pro进行识别的方法。 软件需要的可以到本博客首页底部联系我直接QQ联系我我给你们发。 网盘地址软件/注册/安装教程下载安装过程需要注册。有不明白的也可以通过类似方式联系。声明本软件仅供各位学习之用如需要长期使用请购买正版 

基本条件 电脑安装Adobe Acro bat Pro、 wo rd 非必须

文档保存为pdf的方法和上面步骤相同不再重复。

在Acrobat中打开需要识别的pdf文档>工具>文本识别>在本文件中>出现如第二张图一样的对话框针对需要设置是别的具体页面或整个文档针对语言类型设置OCR识别的主要语言。设置完成后点击确定开始识别。

如果顺利的话结束后可以选择原来图片上有文字的地方。也就是识别成功了。但是本文采用的pdf则有下面的提示。 “Acrobat无法在本也上执行O CR识别 因为本页包含可渲染的文本。 ”如图所示。

上次帮同学识别文字的时候遇到了类似的现象也在网上找到了解决办法。至于原因个人认为是在word文档转换成pdf的过程中插入图片的环节之前有一个换行符在文本中。应该就是这个字符让Ac ro b at识别到可渲染的文本然后提示无法识别。

解决办法当时是把全部30多页文档在pdf文档中到导出为单页的jpg文件然后利用Ac ro bat软件将30个单独的jpg文件合并为一个pdf文件。这样就不存在任何可渲染字符了。 由于这里已经有点跑题了不细说只把如何将30多个jpg合并为一个pdf文档的过程截图以供参考。