利用Acrobat软件生成文本型PDF文件

马云彤

2013年12月11日14:15 来源：今传媒手机看新闻

摘要：我国网络期刊文献大都采用PDF格式，且以文本型（矢量模式）为主，但也有部分为图片型（光栅模式）PDF文献。图片型PDF文献无法复制、搜索、取词，也不支持在线实时检索、学术不端检测等功能。利用Adobe Acrobat Professional 10.0可对扫描或其他方式生成的图片型PDF文献进行页面裁剪、OCR文本识别及页面校正，从而可以获得页面整洁、端正的文本型PDF文献。

关键词：Adobe Acrobat Professional 10.0；OCR文本识别；文本型；图片型

我国网络期刊出版采用的文件格式主要有CAJ、PDF和HTML三种[1]，其中大多数为PDF格式[2]。PDF是世界上期刊网络版通用格式[3]，我国的中国知网（CNKI）和国家科技图书文献中心（NSTL）也都提供PDF格式的期刊文献。生成PDF文档的常用方法包括通过其他软件中转和通过虚拟打印机。目前期刊编辑部广泛使用北大方正书版排版软件，可以直接或间接生成文本型PDF文献，其文字为矢量模式，可以进行选择复制、搜索查找、金山词霸取词等操作。但在缺少原始电子文件时，则需以扫描样刊的方式生成图片型PDF文献。图片型PDF文件整个页面为一个光栅图像，其中的文字不能被选中 [4-5]，不仅无法复制、搜索、取词，也不支持在线实时检索、学术不端检测等功能，也常会出现边缘有多余文字以及页面不正等情况，从而影响到读者对文献的阅读利用和数据库系统的正常运行。本文利用Adobe Acrobat Professional 10.0，以自国家科技图书文献中心（NSTL）下载的英文文献“Relative measure index: a metric to measure the quality of journals”作为示例，对扫描（也可以是其他方式转换）生成的图片型（光栅模式）PDF文献进行裁剪，通过OCR文本识别转换为文本型（矢量模式），并同步对页面进行校正。

一、PDF文件页面裁剪

用Adobe Acrobat Professional 10.0打开所处理文献，首先对页面进行裁剪，裁剪需要逐页进行，而对于文本识别、启动注释等，可以整篇同时完成。

图1为所处理文献的首页，该文献为扫描生成的图片型PDF文件，无法进行文字选中、复制、搜索（查找）、翻译取词等操作，整篇文献页面横置，页面边缘有多余文字。

点击右上角“工具”按钮，打开“工具”窗格，选择“页面”→“裁剪”路径（如图2所示）。用出现的十字形光标选择裁剪区域（如图3所示），在选择区域内双击鼠标右键，出现“设置页面框”对话框（如图4所示），确定即可完成裁剪；这一步也可以单击鼠标右键，点击“设置页面框”命令，这时即直接将裁减框外的页面裁剪掉。

图1 所处理的扫描生成PDF文献（首页）

图2 工具—页面—裁剪图3 选择裁减区域

工具窗格也可以通过菜单栏中的“视图”→“工具”路径打开，但不如通过工具窗格打开操作便捷、界面友好。

图4 “设置页面框”对话框二、将图片型PDF文件转换成文本型PDF文件

打开“工具”窗格，通过“识别文本”→“在本文件中”路径（如图5所示），打开“识别文本”对话框（如图6所示），点击“编辑”按钮，出现“识别文本-一般设置”对话框（如图7所示），设置OCR识别的主要语言，根据笔者观察选择中文或英文对识别效果没有影响，识别准确率都很高，但对生成的文本型PDF进行复制、粘贴操作中，如果设置语言与转换语言不一致，则可能出现乱码。分辨率选择300dpi，设置完成后确定，即可将图片型转换为文本型，并同步进行页面校正，将倾斜的页面转正，也可将横置页面转换为竖立；通过菜单“文件”→“另存为”→“PDF”，设置路径、重命名后加以保存。