[讨论]：如何从PDF格式文件里把文字提取出来？

gouweicao78 · 发表于 2005-10-15 20:55:54

马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。

您需要登录才可以下载或查看，没有账号？立即注册

×

首先，个人支持正版，电子书作为另一方便途径！提取内容目的是减少繁重且容易出错的工作量！
现在网上不少地方可以下载电子书籍，很多ebook都是用PDF格式做的。特别是很多规范，这对我们这些人来说是一件好事！
但是，当有些密密麻麻一大堆的数据需要查询的时候（比如混凝土回弹抗压强度的换算表）EXCEL能够实现机器插值查询，如果能把这些数据从Pdf格式里面提取出来弄到Excel里面，将是试验工作人员的一大工具。（我不是搞试验的，临时客串，呵呵）。
所以发个贴大家讨论讨论，希望大家能把自己的心得写上来，大家一起交流。

wh3402 · 发表于 2005-10-16 20:47:27

嗨，我也不知道啊，但我也想知道，
会的快告诉我们吧，先谢了！！！

moqhua · 发表于 2005-10-17 09:34:41

我也想知道~~

白略 · 发表于 2005-10-17 10:04:14

估计当时开发PDF格式的目的就是为了保护版权
就是不想让大家从里面提取文字内容的
所以
我估计好像要做到这点
好难

njyaoli123 · 发表于 2005-10-17 10:26:16

是呀！是难的！知识产权吗！

halibt · 发表于 2005-10-17 12:59:23

应该看PDF文档源文件是什么？一般来说WOD格式源文件最好转换。可以试试CAJ阅览器带OCR功能的来分段识别，虽然效果不能令人十分满意，也算快捷。

binggege1 · 发表于 2005-10-17 13:05:02

把pdf格式存成rtf格式，然后用word打开，就是格式会变乱，可以试试

wh3402 · 发表于 2005-10-17 14:56:17

等我试试再告诉你们吧！

多谢了，7楼的！

gouweicao78 · 发表于 2005-10-17 16:28:09

7楼说的没错，会乱码。
不过好像就汉字和一些特殊符号会乱码，而数字不会，哈哈。我花了个把小时把回弹换算混凝土强度的表弄到Excel了，用的就是这个方法，在乱码中把数字部分一页一页地找出来，笨是笨了点，可是能用就行了。

ytymax · 发表于 2005-10-17 16:45:33

我来解释一下：
1、先看PDF文档源文件是什么？如果是word或是excel转换来的pdf文件，可以使用adobe acrobat的专业版直接复制下来，粘贴到相应的软件中即可。如果是图片等转化来的pdf文件只能用各种ocr软件识别转化了，可惜好多效果不好
2、adobe acrobat professional 6.0是我用过最好的pdf软件，效果非常好。
3、有的pdf文件用的字体是自己编辑的，你转化过来的话，汉字全是乱码，没法解决
4、solidconverterpdf软件还不错，可以转化好多的pdf文件，对格式的保护是最好的

学习有益 · 发表于 2005-10-21 14:58:23

能提出来就好.

wince2000 · 发表于 2005-10-23 09:58:29

可以先转为图片,再用OCR软件识别.推荐用尚书7号

gouweicao78 · 发表于 2005-10-23 12:07:08

看到有个方法，用虚拟打印机将pdf格式的文件“打印到文件”做成jpg或者tif等格式，然后采用12楼办法用OCR识别，不过我还没试过，因为我要的数据表已经弄出来了，暂时没空研究，谁试过，可以的说一声。
OCR软件我用过汉王文本王，还可以，不知道尚书与之比较哪个好。

wh3402 · 发表于 2005-10-23 16:45:10

是呀，有谁能说说‘汉王文本王’和‘尚书’的差异，哪个更好用？

lxb98 · 发表于 2005-10-23 21:12:40

真好啊，楼上的

账号		自动登录	找回密码
密码			立即注册

[讨论]：如何从PDF格式文件里把文字提取出来？

马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。

相关帖子