如何提取图片上的文字，或者把图片格式的Pdf转化为可编...

Triangle

                                                                                             
在写论文或者报告时，有时常需要将图片上的文字提取出来。这些图片，有的是用相机拍下来的，有的是用扫描仪扫描的。

它们的共同点是图片上的文字无法复制粘贴，因此不能直接用Word编辑。除了图片上的文字需要提取之外，有时候还需要将Pdf转化为Word。

最粗暴的办法是对照着图片进行人工手动输入，但问题是：如果只有一两页图片，这种方法还可以勉强接受；如果有一本Pdf电子书想转化为Word，那么工作量太大了。

幸好，我们不是第一批遇到这个问题的人。早在1929年，一位奥地利大叔最先提出了解决办法，并申请了专利。


1. 图片自动转文字的技术
这位大叔名叫叫Gustav Tausheck，1899年生于维也纳，童年时由于经历第一次世界大战，过的并不开森。当时世界的老大还不是美国，而是德国。世界老大往往都是很重视人才的，而且善于从别的国家挖墙脚吸纳人才。因此，他长大以后在德国上班，所在的单位叫做德国莱茵金属公司。

这个公司是专门生产战斗车辆武器配件及防卫产品。战争在破坏文明的同时，也极大的促进了生产力和科技的发展。在这家军火公司，Tausheck从一个小鲜肉长成了大叔，在他30岁那年，他发明了OCR（中文叫做：光学字符识别）技术，做成了下面这个机器，这项技术可以对文本资料的图像文件进行分析识别处理，从而获取文字信息。




这个技术出现之后，迅速火了起来——由于这种技术是刚需，又有广泛的市场，因此IBM也跟他签了大合同。掌握着核心技术的大叔，真的是知识改变了命运，从此时间自由、财务自由，走向了人生巅峰。于是第二年，他从那个军火公司辞了职，从此再也不用去公司每天打卡上班，也不用看老板脸色行事了。




之后，他一直致力于改善和提升OCR技术。但万万没想到的是，在他过了几年好日子之后，又来了个第二次世界大战。人生的境遇，谁又说得清？

不过这时候的他，已经是有钱、有身份的人了，即使在发生战争时，也照样过的比普通人好。他跑到了中立国瑞士，避开了战争。但他还是没看到二战的结束，在1945年情人节的当天去世了。原因是静脉栓塞，怀疑与久坐运动少有关系。


搞科研果然要多注意身体啊！


2. OCR的原理
下面是目前OCR技术的一般步骤，包括图像前处理（彩色变黑白、去除噪音、倾斜校正等处理）、版面分析、字符切割、特征描述、字符识别等。




好了，别扯这些没用的，直接上干货：有哪些软件或者方法可以实现图片或者Pdf到Word的转换？


解决方案有两种，一种是用软件转换，一种是网上在线转换。不过，PDF转word的软件还有很多种，以下只是亲测比较好用的几个。


3. 软件解决方案
(1) ABBYY finereader


优点是识别率非常高，支持100多个国家的语言，特别是对混合多种语言识别效果非常好，缺点是转换识别的速度比较慢。

(2) AnyBizSoft PDF Converter



这款软件的优点是转换速度比较快，且支持多格式转换，支持中文字体。但缺点是有时候版面会错乱。


(3) Solid Converter PDF



这个软件的优点是转换之后排版效果不错，几乎和原来的pdf一样，缺点同样是转换速度比较慢。


(4) CAJviewer



CAJviewer是中国知网的专用浏览器。打开PDF文件以后，可以看到在工具栏上，有一个放大镜的图标工具就是OCR工具。用它拉框选择识别区域，稍等一会儿就会有文字识别结果对话框出来。缺点是只能拷出文本，不能帮排版。


(5) e-Pdf pdf 2 word converter



这款软件只能PDF转word，支持中文，但是转换速度和版面还原能力中规中矩。


4. 在线解决方案
通过软件把Pdf转换为Word的麻烦在于要找地方下软件，而且有可能还需要注册码。如果不想下载软件，那就用网络在线转换的方法吧。


下面用一篇论文的Pdf来测试各个网站。



(1) 加加PDF（AddPDF）
网址是https://www.addpdf.cn/pdf-to-word.aspx




测试结果：



看起来一般。它优点是：操作比较简单——只要把pdf拖拽过去，然后等待下载即可得到word版的文件，关键是不需要注册，而且免费。缺点是每次仅支持单个文件转换，且文件小于10M。

(2) Pdf宝
网址是http://www.pdfbao.com/index.html





测试结果：


居然不！能！转！换！不过也许是这个测试页排版太复杂。

它的优点是如果转换简单的文件，每天转换文件数量为5个，每个文件大小最大30M，支持批量上传文档，文件处理完成邮件通知，生成的文件会保存7天。

(3) Pdf2Docx

网址是http://pdf2docx.com/




测试结果：


看起来比上面两个要好。与其它许多转换软件相比，它可提供更优质的质量。可批量转换最多20个想要转换的文档。等待转换完成后，可一并下载到ZIP压缩包中。

当然，以上所有的识别软件都是不能做到100%完全原版识别的，对于重要的文件后期别忘了再手动校正一下。
  



                    

勤奋的小蚂蚁

小手一抖，沙发到手！

未命名用户

小手一抖，沙发到手！

大明星L

小手一抖，沙发到手！

未命名用户

小手一抖，沙发到手！

田老师

学习了，谢谢分享、、、

拼命三郎

帮你顶下哈！！

花开的那一瞬间

真是 收益 匪浅

sander

不错不错，楼主您辛苦了。。。

怡情已然

沙发！习惯性沙发!