如何將繁體豎排掃描版pdf電子圖書轉化為可編輯的文本文件

1、如何將繁體豎排掃描版 pdf 電子圖書轉化為可編輯的文本文件2010年8月5日4:01一、背景酷暑難熬，心情煩躁，讀書是最好的“清涼飲料”。最近，閑暇時間正在讀春秋左傳。我讀的版本 為李夢生撰、上海古籍出版社出版的左傳譯注。在讀的過程中，總是感覺有的地方?jīng)]有注釋， 只能看譯文幫助理解。于是，就想找其它的版本作參考。該書“前言”中提到：“特別需要說明的 是，楊伯峻先生的春秋左傳注一書，對我的幫助尤大?！彼?，就在網(wǎng)上下載了此書（修訂 本）的電子文檔。楊伯峻先生的春秋左傳注一書是春秋左傳的經(jīng)典必讀之書。遺憾的是，此書為繁體豎排，注釋 插在正文中，并且沒有譯文。此書對于大陸讀者來說，可能很不習慣。能

2、不能將此書重新排版，采 用更適合大陸讀者閱讀習慣的格式，重新出版呢？這或許是我的一個夢想，因為楊伯峻先生已經(jīng)去 世，而且全書有 1800多頁。我一時沖動居然想實現(xiàn)這個夢想。我在網(wǎng)上下載的版本是掃描圖像制成的pdf 格式，要想重新排版，需要可以編輯的文檔。我在網(wǎng)上還沒有找到此書可編輯的版本。所以，我就試著自己將這本書 的掃描版本轉化為可編輯的版本。二、方法 我在網(wǎng)上看了一些相關的資料，借鑒了別人的一些經(jīng)驗，通過反復試驗，終于找到了將繁體豎排掃 描圖像的pdf電子圖書轉化為可編輯文本的方法。1、將掃描版Pdf圖書轉化為圖像文件由于掃描后制成pdf格式的圖書，內(nèi)部的每頁都是一個圖像，所以必須把其中的

3、圖像文件提取出 來，米用OCRS別的方法，才能轉化為可編輯的文本格式。轉化為圖像文件，有兩種方法：（1 直接由Adobe Acrobat導出圖像文件。我采用的是Adobe Acrobat Pro 9。選擇“文件一導出一圖像一TIFF功能即可從掃描圖像的pdf文中 提取出多個掃描文檔（每頁一個）。這種方法非常簡單適用，推薦使用。之所以要轉化成TIFF格式的圖像文件，是因為有介紹說 TIFF格式的圖像文件，OCR勺識別率高。（2）用 Microsoft Office Document Image Writer 打印生成 pdf文檔的圖像文件。Microsoft Office Document Im

4、age Writer是Office中帶的一個工具。如果在安裝 Office時沒有安裝，對 于2003和2007版本的Office,只須重新安裝一遍即可。在需要安裝的內(nèi)容中，在“工具”中選擇后 安裝即可。我使用的是 Office 2010，在安裝內(nèi)容選項中沒有找到這個工具。不知道是版本問題，還 是2010版本本身就沒有這個工具。我用 Office 2007安裝了此工具，使用正常。因為這就是一個虛擬 打印機，所以可以采用以前版本的。安裝時，只選擇此工具，其它內(nèi)容全部不選。這樣安裝后，可 以保證Office 2010的正常使用。Microsoft Office Document Image Writ

5、er 安裝正常后，在 Adobe Acrobat Pro 9中打印時，選擇此打印機 即可將pdf格式的圖書轉化為一個TIFF文檔。2、對提取到的圖像文件進行處理。此項工作的主要目的是，提高 OCR識別率，減少校對編輯時間。如果掃描文件的質(zhì)量很高，可以不 進行此項工作。進行此項工作 我之所以要進行此項工作，并不是因為掃描文件的質(zhì)量不高，而是因為本書為繁體豎排，而且專有 名詞下面都帶了下劃線。就是這些下劃線影響了識別率。我在沒進行圖像處理前進行識別，識別出 來的文本錯誤很多，需要花費很長時間來進行校對。去掉下劃線后，識別率顯著提高?；藭r間去 掉下劃線，節(jié)約了校對時間，但是效率卻大幅提高了。我采用

6、的圖像處理軟件為 PhotoFiltre Studio X 10.2.1。這個軟件能夠滿足對掃描文件的處理。我最初 采用的是Windows自帶的“畫筆”軟件，但是存盤后，發(fā)現(xiàn)分辨率降低了，以致識別率極低。所以 我最后才選定PhotoFiltre Studio X這個軟件。使用其中的選擇工具，把下劃線和所有污點去掉。3、OCF識別經(jīng)過比較，我選定了“漢王文本王 文豪7600”（專業(yè)版）這個軟件。這個軟件對于繁體豎排的掃 描文件識別率很高（去掉掃描文件中的下劃線后），而且校對功能很方便。這是我沒有想到的，說 明漢王的技術確實不錯，不愧為“漢王”。最好一頁一頁地識別。打開需要識別的掃描文件，（ 1）

7、在工具欄中選擇選項“豎排”、“簡繁” 等配置項；（ 2）選擇工具欄中的“版面分析”分析掃描文件的版面。可以將不需要識別的版面去 掉。版面會影響識別后的排版格式。（3）選擇工具欄中的“識別”進行 OCR識別。（4）校對。在 校對窗口中校對文本。（ 5）文本輸出。可以將識別后的文本輸出到 Word 2003，輸出到2010可能有 些問題。所以我直接將文本復制到 Word 2010中，在其中重新編輯排版。4、繁體字的輸入對于繁體書，在OCF識別后的校對過程中，需要輸入繁體字，特別一些生僻的繁體字。對于大陸讀 者來講，輸入和處理繁體字非常令人頭痛。（ 1）繁體字庫。要處理繁體字，最好還是裝一些繁體字庫

8、。我裝的有： PMingLiU -Fixed.ttf 、方 正蘭亭字庫5.0繁體和UniFonts.exe，這些字庫在網(wǎng)上搜索下載安裝即可，安裝到 Windows的Fonts 目錄下。 UniFonts.exe 字庫是為了采用海峰五筆而安裝的。（ 2）繁體字的輸入 網(wǎng)上介紹了很多種輸入繁體字的方法，采用哪種方法取決于你所熟悉的輸入法?，F(xiàn)在，很多輸入 法，輸入簡體可以自動轉換輸出繁體。因為我采用的是五筆，所以采用了萬能五筆和海峰五筆。萬能五筆對于一般的繁體字輸入是沒有問題的，但是對于生僻一點的繁體字就無法輸入了。為此， 我發(fā)現(xiàn)了可以支持大字庫 Uni code編碼的海峰五筆，可以解決繁體生僻字的

9、輸入問題。但是對于此 書中的個別生僻繁體字，仍然無法輸入。（ 3）生僻繁體字的輸入生僻繁體字的輸入讓我傷透了腦筋，總算有了比較好的解決方法。采用海峰五筆可以解決絕大多數(shù)繁體字的輸入。 對于海峰五筆無法輸入或不會拆字的生僻字，我采用的是Word中的插入字符的方法。先在Word中寫一個相似的字（部首相同），選擇這個字，選擇“插入一符號”，即可找 到與這個字相似的漢字，在其中查找，找到后插入。在一個字庫中找不到，就只能在另外的繁體字 庫中查找了，相當費時間，不過沒辦法，這是最后一招了。最麻煩的是字庫中沒有的生僻繁體字，就只能采用造字或其它方法了。三、效果經(jīng)過一段時間的摸索，上述方法解決了將繁體豎排掃描版pdf圖書轉化為可編輯的文本文件。目前，我已成功將楊伯峻先生的春秋左傳注一書的“前言”部分（近60頁， 3萬多字）轉化為可前，我已成功將楊伯峻先生的春秋左傳注一書的“前言”部分（近60頁， 3萬多字）轉化為可編