PDF文件进行OCR识别的一种方法

现在有一批扫描版的PDF文件，需要进行OCR识别，但很多OCR软件只能对TIF、JPG等格式进行识别，下面介绍一种可以直接对PDF文件进行识别的方法，识别后的PDF文件为图在文上的双层格式。

一、所需软件环境

l       TH-OCR 2007文通数据录入工厂

l       Adobe Acrobat professional 8.0

二、操作步骤

1，运行“开始”-“程序”-“TH-OCR 2007文通数据录入工厂”-“Tiff2PDF”；

2，选择识别字体为“简体中文”；

3，按确定后出现操作窗口
4，在出现的窗口中选择添加图像页按钮，选择要打开的文件，如果要选择pdf文件，首先将文件类型选为“PDF file”。

5，打开文件后，点击开始识别按钮，就可以对PDF文件进行识别。识别过程很慢，500页大约需要30-50分钟。

6，识别完成后，生成的PDF文件存放在识别结果路径下，文件大小变得很大，我转换了一个22兆的PDF文件，约1060页，识别后的PDF文件有1G大小，这样的文件肯定是无法使用和传播的。因此还需要用Acrobat进行优化处理。

三、优化识别后的PDF文件

1，打开Acorbat，选择“文档”-“优化扫描的PDF”，弹出优化窗口。

2，在优化窗口中将背景去除选项选择为“关闭”，确定后开始优化。

3，优化完成后，选择“文件”-“保存”，将该文件另存保存一下。文件经过优化后，大小必原始未识别的PDF文件增长约1倍。