pdf文件如何转换为word文件 [转载]

平时工作时，经常有pdf文件转换为word格式的时候，本人研究了下，pdf文件也分为两种，有种是纯图像形式的，另外中是非纯图像的，也就是这种pdf在pdf软件中，文字都可以被款选的！对于这种转换是比较简单的，有好多软件都可以转换。个人认为scansoft professiona比较好用。还有许多网上都有。
但是对于纯图片格式的，原来一直没有找到好的这方面的软件，发现识别率都不是很高，后来觉得这种跟图像识别有关，后来网上查了才知道这个叫ocr！顺便介绍下的：

2007-11-24 19:21

汉字识别软件的任务是研究如何使计算机能够“识字”，该系统通常是采用光电转换装置将汉字或字符转换成电信号，并送入计算机，由计算机自动辨认、阅读，因此称其为光学字符识别（OpticalCharacterRecognition），简称为OCR）。 OCR的发展简况 OCR的概念是在1929年由德国科学家Tausheck最先提出来的，后来美国科学家Handel也提出了利用技术对文字进行识别的想法。而最早对印刷体汉字识别进行研究的是IBM公司的Casey和Nagy，1966年他们发表了第一篇关于汉字识别的文章，采用了模板匹配法识别了1000个印刷体汉字。20世纪70年代初，日本的学者开始研究汉字识别，并做了大量的工作。我国研究汉字识别的起步比较晚，20世纪70年代末才开始进行OCR的研究工作。早期的OCR软件，由于识别率及产品化等多方面的因素，未能达到实际要求。同时，由于硬件设备成本高、运行速度慢，也没有达到实用的程度。只有个别部门，如信息部门、新闻出版单位等使用OCR软件。1986年以后我国的OCR研究有了很大进展，在汉字建模和识别方法上都有所创新，在系统研制和开发应用中都取得了丰硕的成果，不少单位相继推出了中文OCR产品。进入20世纪90年代以后，随着平台式扫描仪的广泛应用，以及我国信息自动化和办公自动化的普及，大大推动了OCR技术的进一步发展，使OCR的识别正确率、识别速度满足了广大用户的要求。 目前，比较流行的OCR软件很多，英文OCR主要有OmniPage，中文OCR主要有清华紫光OCR、清华文通OCR、汉王OCR、中晶尚书OCR、丹青OCR、蒙恬OCR等。尽管汉字字量大、字形复杂，但OCR技术已经走向成熟。许多OCR软件不仅能识别黑白印刷体汉字，还能识别灰度和彩色印刷体汉字，识别速度很快，识别正确率达到了99%以上；可识别宋体、黑体、楷体等多种字体的简、繁体；可对多种字体、不同字号的混排进行识别；有些OCR软件还能识别图像、表格。与此同时，对于手写体汉字识别的研究也取得了很大进展，正确识别率已达到了70％以上。 OCR软件的应用 在扫描仪市场上，许多类型的办公和家用扫描仪均配有OCR软件，如紫光的扫描仪配备了紫光OCR，中晶的扫描仪配备了尚书OCR，Mustek的扫描仪配备了丹青OCR等。扫描仪与OCR软件共同承担着从文稿的输入到文字识别的全过程。 文稿扫描在办公领域中经常用到，即将报纸、杂志等媒体上刊载的有关文稿通过扫描仪进行扫描，随后进行OCR识别，或存储成图像文件，留待以后进行OCR识别，将图像文件转换成文本文件或Word文件进行存储。 此外，数字化信息的存储、传输,不仅成本低、效率高，而且能够适应排版、网络传输等不断发展的需要。目前我国有很多历史遗留下来的大量图书、报刊、杂志等纸质珍品，急需将其转换成电子信息。如电子图书馆的建立，就需要将图书逐页扫描，加上OCR软件的识别，更替代了人工键入文字的工作，大大缩短了录入时间，减轻了劳动强度，节省了人力且降低了费用，提高了录入正确率、工作效率和现代办公自动化程度。 目前OCR软件与扫描仪的搭配已应用到信息化时代的多个领域，如数字化图书馆，各种报表的识别，以及银行、税务系统票据的识别等。随着网络化、信息化的发展与普及，其应用范围将越来越广泛。 OCR系统的组成 汉字识别软件OCR的功能是将各种录入汉字、印刷体或手写体中每个汉字的图形或图像通过计算机辨认出来，并标出汉字类别代码。因此，汉字识别归根结底是一个图像识别问题。由于汉字信息量很大，具有不同的字形、字体，而且结构复杂，因此汉字识别的过程极其复杂。 由于扫描仪的普及与广泛应用，OCR软件只需提供与扫描仪的接口，利用扫描仪驱动软件即可。因此，OCR软件主要是由图像处理模块、版面划分模块、文字识别模块和文字编辑模块等4部分组成。 1.图像处理模块 图像处理模块主要具有文稿扫描、图像缩放、图像旋转等功能。通过扫描仪输入后，文稿形成图像文件，图像处理模块可对图像进行放大，去除污点和划痕，如果图像放置不正，可以手工或自动旋转图像，目的是为文字识别创造更好的条件，使识别率更高。 2.版面划分模块 版面划分模块主要包括版面划分、更改划分，即对版面的理解、字切分、归一化等，可选择自动或手动两种版面划分方式。目的是告诉OCR软件将同一版面的文章、表格等分开，以便于分别处理，并按照怎样的顺序进行识别。 3.文字识别模块 文字识别模块是OCR软件的核心部分，文字识别模块主要对输入的汉字进行“阅读”，但不能一目多行，必须逐行切割，对于汉字通常也是一个字一个字地辨认，即单字识别，再进行归一化。文字识别模块通过对不同样本汉字的特征进行提取，完成识别，自动查找可疑字，具有前后联想等功能。 4.文字编辑模块 文字编辑模块主要对OCR识别后的文字进行修改、编辑，如系统识别认为有误，则文字会以醒目的红色或蓝色显示，并提供相似的文字供选择，选择编辑器供输出等。 OCR软件的使用方法 OCR软件的种类虽然很多，但其使用方法大同小异。首先要对文稿进行扫描，然后进行OCR识别。OCR软件的使用方法如下： 1.文稿扫描 为了利用OCR软件进行文字识别，可直接在OCR软件中扫描文稿。运行OCR软件后，会出现OCR软件界面。如使用中晶尚书OCR。 2.OCR识别 为了便于操作，可从菜单中选择选项，各种图标出现在视窗的左边。 为了更好使用，首先从上到下介绍画面左边的图标：“放大”工具：用于放大图像；“缩小”工具：用于缩小图像；“设定识别区域”工具：用于设定识别区域；“设定识别顺序”工具：用于设定识别顺序；“删除识别区域”工具：用于删除识别区域；“擦除图像杂点”工具：用于擦除图像中的杂点；“擦拭图像块”工具：用于擦除图像中的某一区域；“旋转图像”工具：用于将图像旋转90°、180°或270°；“倾斜校正”工具：用于手动图像倾斜校正。 OCR识别的一般步骤 （1）文稿扫描后，刚开始出现在视窗中的要识别的文字画面很小，首先选择“放大”工具，对画面进行适当放大，以使画面看得更清楚。必要时还可以选择“缩小”工具，将画面适当缩小。 （2）如果画面需要旋转90°、180°或270°，可使用“旋转图像”工具旋转图像。如果文字画面倾斜，可选择“倾斜校正”工具，将画面调正。 （3）识别时选择“设定识别区域”工具，在文字画面上框出要识别的区域，这时也可根据画面情况框出多个区域。如果所框区域有误，则可使用“删除识别区域”工具，删除所选识别区域。 （4）为了提高识别率，如果所选识别区有杂点或有不能识别的图像，则可选择“擦除图像杂点”工具，将杂点一点一点地擦除。如果需要成片地擦除，则可选择“擦拭图像块”工具。 （5）点击“识别”图标，则OCR显示正在进行文字切分，然后转入“正在识别”画面，将识别的文字逐步显示出来，再转入如图5所示的“文稿校对”窗口。 许多OCR软件都具有文字修改功能，被识别出可能有错误的文字，用比较鲜明的颜色显示出来，并且可以进行修改。 （6）将识别后的文件存储成文本（TXT）文件或Word的RTF文件。

后来发现“尚书七号OCR“这个软件的文字识别能力还可以！推荐下的
下面就是我实现纯图像格式pdf转换为word的过程：
1、把pdf直接转换为jpg图片格式，pdf软件就可以直接另存为图片格式；
2、用“尚书七号OCR“转换jpg图片格式的文档就可以了
3、问题就是发现只能保存成txt格式的，排版还具有一定的问题，想自己写写这方面的软件。
网上找的关于“尚书七号OCR“使用介绍和下载地址：共享下的

文字识别软件尚书OCR使用教程

2008-03-09 10:45

本文介绍一款不错的文字识别软件（OCR）“尚书七号”，它一改以前文字识别软件只能对“黑白二色”图像进行识别的限制，可以对彩色、灰度图像文件直接进行识别；尚书七号支持更多的扫描文件格式，例如TIFF、BMP和JPG格式；与此同时，尚书七号完善了表格识别功能，各式各样的表格几乎都可以原封不动的由图片格式转变为可以自由编辑的文字格式。即使是初学者也可以迅速掌握软件的使用。 下面详细介绍如何用尚书七号OCR软件做好文字识别工作： 一、获取图像 有两种方式获取图像，扫描图像或打开计算机中已经存在的图像文件。本系统支持24位彩色、256级灰度和二值黑白图像。 1．扫描图像之前应设置好保存扫描图像文件的路径、图像文件名、图像文件名后缀。设置图像路径，可以直接单击“扫描到”按钮，在浏览路径窗口中选定存放图像的文件夹。 2．单击工具栏上的 按钮或单击“文件”菜单中的“扫描”命令，通过扫描仪开始批量扫描文件；单击工具栏上的 按钮（如果已经扫描好的图像文件，可以点击 按钮直接打开图像），此时就会自动调出默认的扫描软件，设置好参数（建议分辨率在300以上）后开始扫描。 二、图像预处理 为提高识别率，对扫描后的图像进行图像反白，自动倾斜校正，调整边框，去噪音（如麻点、下划线等），表格画线等处理。 在进行“倾斜校正”时，可按下工具栏的最下面的一个“图像倾斜校正”工具按钮。系统会自动弹出一个对话框，提示需要校正的角度，此时按下“是”按钮，系统就给予图片做水平的倾斜校正。在此需要特别注意，“自动倾斜校正功能”只能对原稿做±2.8度的倾角的校正，如果原稿的倾斜角度大于2.8度，系统会建议用户重新扫描稿件，以提高识别率。 三、版面分析 1．自动分析：单击工具栏中的 按钮，或单击“识别”菜单中的“版面分析”命令，自动对图像的版面布局、内容进行分析理解，切分图像页，判别图像框的版面属性（横栏、竖栏、表格、图像），并以不同颜色的线框标识图像框属性。对分析错误的版面可以手动调整，方法为，先以鼠标选中需要调整的版面块，再调整版面块的边框改变大小，或单击工具栏上的属性按钮（横栏、竖栏、表格、图像）改变该版面块属性。 2．手动分析：手动分析时，只要在图像中的文字块按照文章的先后，分别拖出选择框，如下图的文章，实际是分成两个栏目进行阅读的，所以在设定识别区域的时候，注意需要将这个两个栏目分别圈定，也就是设定两个识别区域（如图所示）。同时，对于一些文字稿件，如果在中间插有图片的时候，建议采用绕开的方式，对所环绕的文字分别进行识别区域的设定。此外，对于表格类的图片，为了将标题栏也能识别进去，建议将表格部分整个框选，同时标题作为一个单独的框选区域。 四、识别图像 单击 按钮或单击“识别”菜单中的“开始识别”命令，按照版面属性（横栏、竖栏、表格、图像），自动对图像文件管理器选择的图像进行批量识别，识别后的文字会显示在窗口的上方。 五、文字校对 通过对比识别结果文本和原图像，以发现识别错误的文字。可信度不高的文字软件会用醒目的颜色标出的，此时点击这些文字，窗口中的图像会自动移动至相应位置，就可方便地进行校对，要修正时，直接输入正确的字就可以了。 六、文件存盘 单击“输出”菜单中的“到指定格式文件”命令，将识别并修改好的文本输出、可以保存成可供计算机阅读和查询检索的RTF、HTML、XLS、TXT 格式的电子文档。 建议用户一般可选择Text（纯文本）格式保存，因为这种格式可以用几乎所有文档编辑器打开；如果用户进行表格识别，识别结果可以选择保存为CSV格式，这样用EXCEL就能够直接打开；而HTML格式是针对网页设计使用的，用IE等网络浏览器或网页编辑器可以打开。 七、一些使用技巧 1．如果用户从光盘上复制图像及数据进行进行处理，务必先将这些文件的只读属性去掉。 2．处理纯英文文档时，识别语言选项设定为“简体”、“简繁”、“英文”都可以，但设定为“英文”识别效果最好；当处理含有繁体字的文档时，语言选项应设定为“简繁”。 3．如果表格结构因为断线而识别错误，可以先用工具按钮中的画笔在图像上弥补断线再重新版面分析。 4．识别效果不佳的主要原因 (1) 扫描设置不当，扫描图像时的扫描分辨率(Resolution)一般应设为300dpi，如果文档字体较小则需要将扫描分辨率设定为更高值如400dpi或600dpi。缩放比例(Scaling)设为100％，亮度阀值(Threshold,Brightness)需根据纸张和印刷的质量调节，避免扫描图像过黑或过淡 。 (2) 如自动版面分析有错误，这时请用户用鼠标自己划分出正确的版面块；版面块的版式设置错误，如将横版的设置为竖版，竖版的设置为横版等，这时请用户自行将块的版式修改正确。 (3) 原稿印刷质量太差，笔画断裂严重、油墨太浓、字与字之间粘连严重等也可能使识别率显著降低。 (4) 识别语言选项选择不当，应根据原稿正确选择“简体”、“简繁”或“英文”。 5．建议系统使用IE5.0以上版本，否则可能影响正确浏览联机帮助文档。 下载地址： http://www.52z.com/soft/2126.html