PDF等文档中文字和CAD图形的识别提取.pdf

PDF等文档中文字和CAD 图形的识别提取 陆仁钉 适用于：PDF、CAJ和图像转电子版文档；PDF 中CAD 图形提取； （一）文本识别 PDF 的文字提取和编辑需要用到Adobe 的专业软件Acrobat，该软件可完成 PDF 的所有操作。 如果不安装Acrobat，或是需要识别其他类似扫描件的文字对象，可使用其 他OCR软件。 OCR ，全称Optical Character Recognition，即光学字符识别技术。 常用的OCR软件有： 一、CAJ Viewer6.0：国产CAJ格式的阅读器，可识别包括PDF在内的多种文件 格式（见下图），准确率良好。 菜单栏-工具-文字识别（点击下拉箭头全部展开才能看见），识别后可选择 复制到剪贴板或发送到WPS/WORD。 CAJ Viewer支持的格式： 二、Microsoft Office Document Imaging 微软官方的Office组件，office2003默认安装，2007版本需要在安装选项 中手动选中； 已安装的office2007可在控制面板的程序卸载页选择，进行更改，展开 office工具选项后在Microsoft Office Document Imaging上点击选 “安装全 部程序”； Microsoft Office Document Imaging安装完成即可在office工具下找到 并打开，如下图； 支持的格式：mdi和tiff或tif，但mdi不能直接打开，双击打开时会提示 不是有效的win32应用程序。 mdi不能直接双击打开报错： MicrosoftOfficeDocument Imaging安装后同时也作为虚拟打印机（image writer）使用，在识别图像或文档格式前，需将其打印为mdi或tiff；若要在 发送到 Word 的所选内容中包括图片，请选中 “在输出时保持图片版式不变”复 选框，但效果一般不好，需要图片时可框选后右键 “复制图像”。 常见问题： 开始OCR识别时 “Microsoft Office Document Imaging已停止。 出现了 一个问题，导致程序停止工作，请关闭程序！” 解决：安装相应补丁，下载链接： /share/link?shareid=449973uk=3609309728 或：/s/1AeZ4U （解压文件后，全部复制到此位置，全部替换： C:\Program Files\Common Files\Microsoft Shared\MODI\12.0 三、其他OCR软件： 汉王PDF OCR、尚书七号、清华紫光OCR9.0、丹青以及赛酷等。 （二）PDF 中CAD 图形提取 1.条件：由CAD 图形文件(.dwg)打印的PDF等文档，可以识别图形并逆向生成 dwg，但截图和扫描等原理得到的图像不适用。 2.方法：以PDF2CAD为例，下载PDF2CAD （大小约5MB）→安装→打开→添加PDF →设置目标位置→转换→生成dxf→在AutoCAD等绘图软件中打开dxf→编辑图 形→存为dwg。 3.注意： 注意如果PDF稍大，数十页以上且含图片，将会生成数百个文件； 转化得到的图形是完全分解的元素，一般生成两个图层，包括文字在内的所 有对象都由线条构成。 类似的小插件较多，也可尝试其他的。 ☺PDF2CADV6.0下载链接： /s/1c0DyEsC ☺其他链接： Adobe Acrobat： /s/1y9C30 Office2007： /s/1eQEG48a