各種格式檔案ocr成word檔案的方法

• 各種格式檔案ocr成word檔案的方法

你還在為不同格式的檔案怎麼變成word檔案發愁嗎？各種識別軟體各有缺陷，識別效率低，讓你痛苦不堪，有的只能識別字，對錶格和圖形無能為力，識別完了，版面亂七八糟，無法使用。現在好了，本文針對各種情況下文字識別進行總結，協助大家掌握正確方法，節省時間，本文給出了所有情況下全檔案表格、圖形、文字識別的完美解決方案：

1、PDF檔案的識別：

1）檔案可以直接識別的（以文本形式儲存的PDF檔案）：安裝acrobat 7專業版，注意不是acrobat reader（下載 http://www.xdowns.com/soft/4/136/2006/Soft_29430.html），直接另存新檔rtf檔案（識別整個檔案），或者選擇工具列上的文字選擇按鈕，然後選擇文字地區，然後複製到word等中。

2）檔案不能直接識別的（以圖片形式儲存的PDF檔案）：安裝office2003（下載http://www.xdowns.com/soft/188/215/2006/Soft_28356.html ），並裝上office工具Microsoft Office Document Imaging（完整安裝此工具），然後在印表機裡面會增加Microsoft Office Document Image Writer印表機，然後將PDF檔案列印到此印表機，選擇列印形成的檔案的儲存位置，然後會自動形成一個MDI檔案，並且自動用Microsoft Office Document Image開啟此檔案，然後選擇“工具”菜單下的“使用ocr識別文本”，識別完成後，在選擇“工具”下的，“將文本發送到word”，最後將把整個PDF檔案識別輸出到word檔案中。

注意：Microsoft Office Document Image可以非常準確的全檔案識別轉化中文、英文、表格，但是無法將圖形輸出到word，而是把檔案中的所有圖形單獨形成一個個獨立的圖片檔案，放在相同位置的一個相同名稱的檔案夾中，因此可用snagit軟體將圖形開啟，然後複製到word中。（所有的識別軟體都不能很好的處理圖形的識別問題，Microsoft Office Document Image的這種處理方法已經是非常好的解決這個問題了。）

3）加密的Pdf檔案：先下載解密軟體（下載http://www.xdowns.com/soft/4/85/2006/Soft_29750.html ），解密後在參看1),2)
4）繁體pdf檔案：用2)的方法識別到word後，用word中的“工具”－－“語言”－－－“中文繁簡轉換”

2、caj檔案的識別：

1）局部文字識別：直接使用caj瀏覽器（ http://www.xdowns.com/soft/4/136/2006/Soft_29737.html ）的ocr
2）全檔案識別：列印到Microsoft Office Document Image Writer印表機，後面和上面的2)操作一樣
3）博碩論文全文下載：線上閱讀博碩論文，待可以看到最後一頁後，不要關閉caj瀏覽器，到caj安裝目錄下cache中找到一個較大的檔案，拷貝到其他位置即可。然後使用2)全部轉化為word。

3、超星檔案的識別：

1）局部文字識別：直接使用超星瀏覽器（ http://www.xdowns.com/soft/31/91/2006/Soft_27810.html ）的ocr
2）全檔案識別：列印到Microsoft Office Document Image Writer印表機，後面和上面的2)操作一樣，要注意的是，超星列印功能有點區別，因為超星是目錄和全文分開的，所以列印時，需要分別把目錄和本文識別到word中，在合并到一起。列印時要填入列印頁碼從1到最後一頁，不要選擇列印全部。此外在列印選項中，還要將頁面比例設成真實大小，而不是整寬。注意：識別速度比其他格式要慢很多，請保持耐心，但是最後當你看到輕鬆的產生全本書的word版本時，你會欣喜若狂的，呵呵。我的實驗結果是一本280頁的書，識別需要幾分鐘的時間。

3）超星相對比較麻煩一些，如果還有問題，可以先把超星列印成完整的pdf檔案，然後在用1、的方法轉成word

4、其他情況下的識別：

使用snagit軟體（下載 http://www.xdowns.com/soft/31/46/2006/Soft_29690.html ）將任何形式的文字可以變成圖片，例如使用snagit將螢幕拷貝成圖片，然後右鍵點擊圖片檔案，用microsoft Office Document Image開啟圖形，其他和2)一樣。

注意：其他的各種識別軟體請不要在用，因為要麼只能識別中文，要麼只能識別英文，要麼不能識別整個檔案，要麼不能識別螢幕拷貝映像，要麼識別誤差很大，要麼不能識別表格，要麼需要註冊，要麼識別速度很慢，要麼使用不便（和word結合不緊），這些軟體包括：紫光ocr，萬方pdfocr，尚書，漢王，ScanSoft PDF Converter，pdf2word，以及各種被推薦的軟體等等，我都裝過，現在都像LJ一樣刪除了。只要安裝了acrobat 專業版，snagit，office2003，現在你可以完美的做任何事，最重要的是這幾個軟體很好得到。

針對一些問題的補充：
經過一些實驗，發現microsoft Office Document Image 存在一些不穩定的問題，例如在用caj列印到Microsoft Office Document Image Writer印表機時，發現用caj5.5版本比較快，（caj5.5不能加升級補丁），而caj5.0有時出現假死機。
另外頁面顯示大時，轉化的識別率較高。
如果頁數多的檔案，包括超星，如果有問題，可以分多次轉化。

再次補充：
1、由於虛擬列印到Microsoft Office Document Image Writer 比較慢，並且形成的虛擬檔案很大，1本200多頁的書大約是60M，因此會嚴重影響機器的運行速度和C盤空間以及記憶體空間，建議配置好的機器一次轉化不要超過200頁，配置差的不要超過100頁，同時列印時在右下角系統欄中會出現印表機圖，你可以雙擊，看到列印任務的進度，以免以為死機了。另外轉化完成後請刪除c:/windows/temp目錄下的虛擬列印檔案，否則你的c盤很快會被用光。

2、建議如果發生列印到Microsoft Office Document Image Writer很慢或者假死的情況，可以先列印到snagit虛擬印表機，會自動產生tiff檔案，速度比Microsoft Office Document Image Writer快，然後在snagit中，選擇印表機為Microsoft Office Document Image Writer印表機，（相當於再列印到Microsoft Office Document Image Writer印表機），然後選擇snagit---outputs下的printer，然後選擇snagit----file----finish output，即可產生msi檔案，其他一樣。轉化完成後請刪除c:/windows/systems32/snagit臨時檔案。