CAJ文件的识别

CAJ文件的识别

    很多科技文献，论文，都是用CAJViewer7.0称为“电子阅读器”的一个程序来阅读的。但CAJ文件像PDF文件一样，是些类似图片格式的文本。这些图片格式的文本转换成可编辑的真正文本是有点麻烦的。仅仅用“拷贝，粘贴”的办法，是不行的。需要进行一个格式的转换。

    方法1：需要安装一个软件：Office2003，完整版大概680多兆。用CajViewer打开所要转的文件，工具栏里选“文件”——“打印”。
一般机器里安装了Office2003之后，会随着安装一个虚拟打印机MicrosoftOfficeDocumentImaging，就选择打印到这个虚拟打印机上。
先选打印“全部”，然后点“确定”。最后选择文件保存路径，但这时，保存的这个文件是MDI格式的，打印完后MicrosoftOfficeDocumentImaging会自动打开你刚才保存的文件。然后在工具栏里选择“工具”——“将文本发送到Word”这样就可以把CAJ格式的文件转变称为WORD格式了。

    方法2：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acrobat5专业版浏览器软件安装Office2003，并完全安装Office工具MicrosoftOfficeDocumentImaging，然后在打印机里面会增加MicrosoftOfficeDocumentImageWriter打印机

。MicrosoftOfficeDocumentImage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MicrosoftOfficeDocumentImageWriter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，MicrosoftOfficeDocumentImage自动打开刚才保存的打印文件。
　　（五）在MicrosoftOfficeDocumentImage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。

    PDF文件的识别
　　（一）以文本形式保存的PDF文件，用acrobat5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MicrosoftOfficeDocumentImageWriter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MicrosoftOfficeDocumentImage打开此文件，然后在MicrosoftOfficeDocumentImage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”

超星文件的识别
　（一）全文件识别打印到MicrosoftOfficeDocumentImageWriter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MicrosoftOfficeDocumentImage存在一些不稳定的问题，如在用CAJ打印到MicrosoftOfficeDocumentImageWriter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MicrosoftOfficeDocumentImageWriter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VIRTUALPRINTER；尚书六号,先装一个VIRTUALPRINTER（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。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acrobat5专业版浏览器软件安装Office2003，并完全安装Office工具MicrosoftOfficeDocumentImaging，然后在打印机里面会增加MicrosoftOfficeDocumentImageWriter打印机。MicrosoftOfficeDocumentImage可以非常准确的全文件识别转化中文、英文、表格。

使用MicrosoftOfficeDocumentImageWriter虚拟打印机
1、前提需要完全安装Office2003－Office工具－MicrosoftOfficeDocumentImaging，一般默认的office安装没有OCR识别文本功能。
完全安装方法：在添加删除程序里，选择office2003，点击更改，出现了office2003安装修改界面，选择－更改删除－下一步－高级选项－office工具里找到MicrosoftOfficeDocumentImaging选择从本机安装（默认的是“第一次使用时安装”）一路下去就ok了。接下来就可以体验office的文字识别功能了。

2、以最麻烦的超星文件为例。（建议安装ssreader3.8版本，因为3.9版对虚拟打印有限制）
在3.8版本中使用虚拟打也需要一点前期工作，点击控制面板－打印机，列表中看到MicrosoftOfficeDocumentImageWriter，重命名（避免一些writer等字眼，防止超星的禁止功能），命名数字即可，比如2。打开下载的超星文件，由于超星对书目录和正文分别记录页数，所以，如果要全部转化，需要自己算一下页数（目录＋正文最后页码既可）。然后选到开始打印的页面，选择：图书－打印－从当前页开始打印－打印页数（自己计算的页数）－确定－选择打印机中选择刚才改名的2打印机－打印，然后弹出对话框选择打印文件（.mdi）名字和存放路径。保存完毕后mdi文件会被MicrosoftOfficeDocumentImaging程序自动打开。

3、在MicrosoftOfficeDocumentImaging打开文件中选择：工具－使用OCR识别文本。注意，如果一次打印的超星页数较多，ocr识别会花较长时间。等待OCR识别完毕，选择：工具－将文本发送到word－保存。

其他：如果是pdf或caj文件，打开文件后直接选择：打印－打印页数……等等同2、3步骤。