从PDF文件(包含图片)中获取文字方法详解

一、获取或下载PDF文件

1、正常获取的PDF文件。

2、从豆丁网免费获取PDF文件。

先下载“豆丁网文件下载器”，然后把需要下载文件的页面地址放入此软件的地址栏中，保存下载的文件即可。（此软件下载后不能正常使用，需要安装微软的一个组件“.net frameword 3.5 setup”，名称为“dotnetfx35”）。

3、从百度网免费获取PDF文件。

百度网中下载PDF文件，可以正常注册，每一次注册会给一定的积分（有获取积分方法，此不详述），可以用于下载。

二、把PDF文件（包含图片）转换成DOC文件

（推荐使用）

1、用“汉王PDF OCR 8.1.4.16“版权软件把PDF文件（包含图片）转换成TXT文件（此软件免费）

使用方法：

（1）、文件——打开图像（可识别PDF、JPG、BMP、TIF文件）；

（2）、选择全部文件——版面分析——开始识别——输出——到指定格式文件——保存（编辑修改OK）

（注：此软件免费，可识别转换PDF文件和图片文件中的文字，方便使用）

***********************下面方法可以参考*****************************

2、通过solid converter-pdf软件转换。

（此软件已测试，可以正常使用）

（1）、安装此软件，Solid Converter PDF 4.0.560版本（此版本免激活）

（2）、打开PDF文件，A：转换为WORD；B：将表格提取到EXCEL；C：提取图象。

（此软件的优点：可以提取PDF中的文字、图片和表格）

3、用Office 2003中自带的Microsoft Office Document Imaging 来转换。

（此方法网上很流行）

（1）、首先使用Adobe Reader打开待转换的PDF文件，接下来选择“文件→打印”菜单，在打开的“打印”设置窗口中将“打印机”栏中的“名称”设置为“Microsoft Office Document Image Writer”，确认后将该PDF文件输出为MDI格式的虚拟打印文件。 

（编辑提示：如果你在“名称”设置的下拉列表中没有找到“Microsoft Office Document Image Writer”项，那证明你在安装Office 2003的时候没有安装该组件，请使用Office 2003安装光盘中的“添加/删除组件”更新安装该组件。） 

（2）、运行Microsoft Office Document Imaging，并利用它来打开刚才保存的MDI文件，选择“工具→将文本发送到Word”菜单，并在弹出的窗口中勾选“在输出时保持图片版式不变”，确认后系统提示“必须在执行此操作前重新运行OCR。这可能需要一些时间”，不管它，确认即可。

（编辑提示：目前，包括此工具在内的所有软件对PDF转DOC的识别率都不是特别完美，在转换后还需要手工对其进行后期排版和校对工作。）

4、从图片中扣出文字

紫光OCR可以提取 .tif、、.pcx文件。（此OCR75软件免费，但不是所有的此类文件都可以打开）

*********************************************************************