从CAJ等文件中提取全文本的方法

从CAJ等文件中提取全文本的方法

从CAJ等文件中提取全文本的方法

现在网上的许多资料都是以CAJ、PDF等文件格式提供的，其中的文本不能被直接编辑。网上提供了许多处理这种情况的软件，但是它们不

是效率低，就是只能提取其中部分文本。本文所述利用微软提供的OCR识别技术从CAJ、PDF等文件中提取全部文本的方法，简便快捷，效率很高

。

从不同格式的文件中提取文本前需要做好以下准备工作，安装CAJViewer5.5浏览器软件和acrobat 5 专业版浏览器软件安装Office2003，

并完全安装Of?鄄fice工具Microsoft Office Document Imaging，然后在打印机里面会增加Microsoft Office Document Image Writer打印机

。Microsoft Office Document Image可以非常准确的全文件识别转化中文、英文、表格。

一、CAJ文件的识别

（一）首先，从网上下载CAJ格式的资料文件保存到本地硬盘上。

（二）然后，启动CAJViewer浏览器程序，并在该程序中打开刚才保存的CAJ格式的文件。浏览文件到最后一页后，不要关闭CAJ浏览器程序

。

（三）在CAJ浏览器程序窗口中，选择“文件”→“打印”，并选择打印机为Microsoft Office Document Image Writer打印机，勾选打印

到文件选项和确定打印页数。

（四）保存打印文件（*.prn）到适当位置。等待打印完成后，Microsoft Office Document Image 自动打开刚才保存的打印文件。d+E

（五）在Microsoft Office Document Image窗口中，选择“页面”菜单中的“选择所有页面”菜单项，然后选择“工具”菜单中的“使用

OCR识别文本”提取文本。

（六）选择“工具”下的“将文本发送到word”，最后将把整个CAJ文件识别输出到word文件中。

二、PDF文件的识别)

（一）以文本形式保存的PDF文件，用acrobat 5 专业版，识别整个文件。直接打开从网上下载的PDF格式文件另存为RTF文件，或者选择工

具栏上的文字选择按钮，然后选择文字区域，然后复制到Word中即可。

（二）以图片形式保存的PDF文件，将PDF文件打印到Microsoft Office Document

Image Writer打印机，选择打印形成的文件的保存位置

，然后会自动形成一个MDI文件，并且自动用Microsoft Office Document Image打开此文件，然后在Microsoft Office Document Im?鄄age中

选择“工具”菜单中的“使用OCR识别文本”，识别完成后，在选择“工具”下的，“将文本发送到word”，最后将把整个PDF文件识别输出到

word文件中。

（三）加密的PDF文件先下载解密软件，解密后在参照上述步骤1),2) 进行。

（四）繁体PDF文件用上述步骤2)的方法识别到word后，用word中的“工具”→“语言”→“中文繁简转换”

三、超星文件的识

别

（一）全文件识别打印到Microsoft Office Document Image Writer打印机，然后按上述PDF文件的识别步骤中第二点操作，要注意的是

，超星打印功能有点区别，因为超星是目录和全文分开的，所以打印时，需要分别把目录和正文识别到Word中，再合并到一起。打印时要填入

打印页码从1到最后一页，不要选择打印全部。在打印选项中，要将页面比例设成真实大小，而不是整宽。注意识别速度比其他格式要慢很多，

请保持耐心。一般一本200多页的书，识别需要几分钟的时间。

（二）超星文件识别相对比较麻烦一些，如果还有问题，可以先把超星打印成完整的PDF文件，然后再用上述识别PDF文件的方法转成Word

。

四、后记

经过试验，发现Microsoft Office Document Image 存在一些不稳定的问题，如在用CAJ打印到Microsoft Office Document Image Writer

时，发现用CAJ5.5版本比较快，而CAJ5.0有时出现假死机。页面显示大时，转化的识别率较高。如果页数多的文件，包括超星，可以分多次转

化。

由于虚拟打印到Microsoft Office Document Image Writer 比较慢，并且形成的虚拟文件很大，1本200多页的书大约是60M，因此会严重

影响机器的运行速度、C盘和内存空间。建议配置好的机器一次转化不要超过200页，配置差的不要超过100页，同时打印时在任务栏中会出现打

印机图标，可以双击，看到打印任务的进度，避免误以为死机。转化完成后请删除c:\windows\temp目录下的虚拟打印文件，否则C盘很快会被

用光。

caj从5.5版本可以进行文字识别功能，我们的pdf文件用CAJ打开，然后用里面的文字识别功能即可得到我们需要的文字了，特别有优势的

一个地方在于：即便是图片格式的PDF文件也能识别；另外一个功能就是：有时候pdf 设置了密码保护，不允许打印，我们可以用CAJ打开然后再

打印，大家不妨试试，这也是CAJ文档的两个用途吧。

(caj,PDF,超星，维普............)中文字提取,如大家常用的caj,超星，维普............只需要两个软件VIRTUAL PRINTER；尚书六号,

先装一个VIRTUAL PRINTER（虚拟打印机）打成OCR软件（我用的是尚书六号）可识别的图像格式(如jpg)之后，就可以提取其中的文字了。这个

方法尤其对于有些caj（转成PDF什么也看不清楚的caj）特别有效。

我为人人，人人为我。

鼓励别人，就是鼓励自己！

:P:P:P:P:P:P:P:P:P:P:P:P:P:P:P

作者：小虫007

我靠，这么好的东东没人顶！我自己顶先！！！

作者：小虫007

不好意思，刚才没有排版好。

从不同格式的文件中提取文本前需要做好以下准备工作，安装CAJViewer5.5浏览器软件和acrobat 5

专业版浏览器软件安装Office2003，并完全安装Of?鄄fice工具Microsoft Office Document Imaging，然后在打印机里面会增加Microsoft Office Document Image Writer打印机。Microsoft Office Document Image可以非常准确的全文件识别转化