品兴办公软件经验分享

PDF是可移植文档格式，也称为"便携文档格式"，是一种电子文件格式。这种文件格式与操作系统平台无关，也就是说，PDF文件不管是在Windows，Unix还是在苹果公司的Mac OS操作系统中都是通用的。这一特点使它成为在Internet上进行电子文档发行和数字化信息传播的理想文档格式。越来越多的电子图书、产品说明、公司文告、网络资料、电子邮件在开始使用PDF格式文件。

 

Adobe公司设计PDF文件格式的目的是为了支持跨平台上的，多媒体集成的信息出版和发布，尤其是提供对网络信息发布的支持...

OCR是什么?

 

OCR又称光学字符识别（英语：Optical Character Recognition, OCR）是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。

 

在PDF转成Word时OCR技术是不可缺少的, 目前很多PDF都是扫描件, 这种类型的PDF实际上是图片, 必须要有OCR技术才能转换成文字.

 

识别过程[编辑]

图像输入、图像前处理、预识别：

图像输入：对于不同的图像格式，有着不同的存储格式，不同的压缩方式，目前有OpenCV、CxImage等�...

首先需要为大家介绍一下OCR, OCR的全名是Optical Character Recognition, OCR也就是取Optical Character Recognition每个单词的第一个字符缩写, 其中文意思是'光学字符识别'. OCR的作用是让计算机自动识别图片里的文字.

 

由于PDF文件是不可以编辑的, 因此不少用户希望把PDF转换成Word或文本文件以用于编辑后再传播. PDF文件有的内容本身是文本, 这类PDF文件可以直接使用PDF转Word工具转成文本, 还有不少PDF文件本身是扫描出来的图片, 这些PDF要转成文本就需要用到OCR技术.

 

我经常在阅�...

在深入了解PDF表格处理之前, 我们最好先了解一下PDF表格处理相关的流指令. 事实上, PDF流指令里并没有专门处理表格的指令, PDF的表格全是用PDF路径指令实现的, 简而言之就是PDF表格是用路径指令画出来的, 因此要把画出来的PDF表格转成WORD表格或是要把画出来的PDF表格转成EXCEL表格都不是一件容易的事, 其困难的程度是可想而知的, 毕竟此表格非彼表格, 画出来的表格是图! 废话少说, 直接上代码分析才是硬道理, 下面是一个表格部分的PDF流指令代码:

 

 

0 0 0.502 rg 

35.25 ...

PDF转WORD是极具商业价值的开发项目, 但是其开发工作难度不小. PDF文件格式不是一般的复杂, 其文件格式文档就有一千多页, WORD文件的格式也不是一般的复杂, 而且不只是复杂, 其文件格式是不公开的, 要自己操作WORD文件那不是一般的难. 所以很多涉及到WORD文件操作的项目会用到DocX来进行WORD文件操作.

 

本节主要讲解如何用DocX设置Word表格单元格宽度, 该方法可用于C#, VC等等. 废话不多说, 先上一段代码, 代码如下:

 

internal static XElement CreateTable(int rowCount, int columnCount)

pdf_run_keyword是sumatrapdf里一个相当重要的函数, 该函数执行pdf操作符的解析功能, 一些比较重要的PDF流指令都是在该函数里完成解析并执行操作的. 诸如'Tj'操作符(该操作符用于显示字符串)其对应的处理代码段为: case B('T','j'): pdf_run_Tj(csi); break;

 

pdf_run_keyword是一个大的switch case语句, 该函数首先解析pdf流里的指令, 然后与pdf流指令码进行case比对, 并执行相应操作, 其代码内容如下(摘抄自Sumatrapdf源码):

 

fz_context *ctx = csi->dev->ctx;

int key;

PDF转WORD软件是个颇具商业价值的软件项目, Adobe Acrobat XI Pro可以实现PDF转WORD, 但其高达2999人民币的售价让很多普通用户望而却步, 毕竟对大部分中国人来说2999还不是一个小的数目, 于是不少软件公司便开始着手于PDF转WORD软件产品的开发. 然而PDF文件格式和WORD文件格式都不是一般的复杂, PDF参考手册1.7版本长达1310页, 而且是全英文的, 其内容更是涉及到数学, 线性代数, 坐标平移, 坐标转换, 字体排版等各类繁杂的技术, 要想通透的理解它实非易事. 那么要想做一格具有商业价值的PDF转WORD软件该如何入手呢? 答案是Sumatrapdf, Suma...