在先pdf转word-怎样将PDF格式转成WORD文件

pdf转成word方法
1、实现工具：office 2003中自带的microsoft office document imaging
应用情景：目前国外很多软件的支持信息都使用pdf方式进行发布，如果没有adobe reader，无法查看其内容，如果没有相关的编辑软件又无法编辑pdf文件。转换为doc格式则可以实现编辑功能。尽管有些软件也可以完成pdf转换为doc的工作，但很多都不支持中文，我们利用office 2003中的microsoft office document imaging组件来实现这一要求最为方便。
使用方法：
第一步：首先使用adobe reader打开待转换的pdf文件，接下来选择“文件→打印”菜单，在打开的“打印”设置窗口中将“打印机”栏中的“名称”设置为“microsoft office document image writer”，确认后将该pdf文件输出为mdi格式的虚拟打印文件。
编辑提示：如果你在“名称”设置的下拉列表中没有找到“microsoft office document image writer”项，那证明你在安装office 2003的时候没有安装该组件，请使用office 2003安装光盘中的“添加/删除组件”更新安装该组件。
第二步：运行microsoft office document imaging，并利用它来打开刚才保存的mdi文件，选择“工具→将文本发送到word”菜单，并在弹出的窗口中勾选“在输出时保持图片版式不变”，确认后系统提示“必须在执行此操作前重新运行ocr。这可能需要一些时间”，不管它，确认即可。
编辑提示：目前，包括此工具在内的所有软件对pdf转doc的识别率都不是特别完美，而且转换后会丢失原来的排版格式，所以大家在转换后还需要手工对其进行后期排版和校对工作。
2、实现工具：solid converter pdf
应用情景：利用office 2003中的microsoft office document imaging组件来实现pdf转word文档在一定程度上的确可以实现pdf文档到word文档的转换，但是对于很多“不规则”的pdf文档来说，利用上面的方法转换出来的word文档中常常是乱码一片。为了恢复pdf的原貌，推荐的这种软件可以很好地实现版式的完全保留，无需调整，而且可以调整成需要的样板形式。
使用方法：
1、下载安装文件solid converter pdf,点击安装。
编辑提示：安装前有个下载安装插件的过程，因此需要保证网络连接通畅。
2、运行软件，按工具栏要求选择需要转换的pdf文档，点击右下的“转换”（convert）按扭，选择自己需要的版式，根据提示完成转换

pdf转word、txt：
1. 可检索内容的pdf（内容可以用鼠标选中的非双层pdf）文件，推荐用下面软件转换：pdf to word converter， 是一款将adobepdf文档转换成 word 文档的工具软件，它支持文字，图像及其它内容的输出。这款软件可以脱离 microsoft word，adobe acrobat 或 acrobat reader 独立运行。无需注册，绿色软件。
2. 对于用图片做成的pdf（特别是扫描件做成的pdf）文件，推荐用汉王pdf ocr 8.0软件转换,或adobe acrobat x pro（要注册,有破解版）。
3. 对于一些不允许做修改的pdf文件（就是加密加了权限的pdf），那么就先要去除密码或者去除数字证书，才能照上面两个步骤做（推荐用pdf password remover去除密码）。

需要的话留下email，发给你。 也可以自己搜索下载。

pdf转word
pdf格式编辑软件很多：
1.用solid converter pdf professional 可以转换成word，就可以编辑了，网上有破解的软件；
2.用foxit pdf editor可以直接编辑了，网上有破解的软件；
3.用foxit phantom可以直接编辑了，网上也有破解的软件。
4.abobe acrobat professional 也有部分编辑功能。
如果加密了，对于一些不允许做修改的pdf文件（就是加密加了权限的pdf），那么就先要去除密码或者去除数字证书，软件有：
1.pdf password remover
2.adult pdf password recovery

如果不是图片类做成的pdf 你可以转换成word格式后进行编辑， 但是如果是内嵌了字体的，那么就要看情况了，因为有的字体你系统里面有，转出来就没有问题，如果系统里面没有，那么转出来就是一堆乱码，那么就先要把这些pdf文件转成位图形式（也就是常说的pdf转曲）然后再用工具转
对于是图片做成的pdf 那么我们就需要用ocr类软件进行识别了，你可以用比较简单的cajviewer来提取 但是只能是一页页提取文字，或者你可以使用readiris corporate 12软件来进行识别，但是readiris corporate 12呢需要下载支持韩语 日语还有简体中文的亚洲语言包才是识别中文，但是这个软件的ocr识别率是比较好的~~~~当然还有abbyy finereader 也是一款识别率很高的软件，关键还支持中文识别~~也是一款不可多得的ocr软件。

1.office组件把pdf转成word：
可以利用office 2003中的microsoft office document imaging组件来实现pdf转word文档，也就是说利用word来完成该任务。方法如下：

用adobe reader打开想转换的pdf文件，接下来选择“文件→打印”菜单，在打开的“打印”窗口中将“打印机”栏中的名称设置为“microsoft office document image writer”，确认后将该pdf文件输出为mdi格式的虚拟打印文件。

注:如果没有找到“microsoft office document image writer”项，使用office 2003安装光盘中的“添加/删除组件”更新安装该组件，选中“office 工具 microsoft draw转换器”。

然后，运行“microsoft office document imaging”，并利用它来打开刚才保存的mdi文件，选择“工具→将文本发送到word”菜单，在弹出的窗口中选中“在输出时保持图片版式不变”，确认后系统会提示“必须在执行此操作前重新运行ocr。这可能需要一些时间”，不管它，确认即可。

注:对pdf转doc的识别率不是特别完美，转换后会丢失原来的排版格式，所以转换后还需要手工对其进行排版和校对工作。

以上仅在word2003中可用，其他版本没有microsoft office document image writer。

2.利用第三方工具软件：
scansoft pdf converter for microsoft word
下载地址：
http://www.mydown.com/soft/245/245551.html

3.asp.net实现将word转换pdf格式：
一:必备工具

安装必须的工具ms vs.net2003,ms office2003,adobe acrobat 7.0 professional,postscript.exe,gs811w32.exe

ms vs.net2003的安装不说明

ms office2003的安装不说明

adobe acrobat 7.0 professional安装说明

运行setup.exe文件,出现输入序列号,就运行注册机,用鼠标在第一行刷下就可以看见序列号，复制粘贴到adobe acrobat 7.0 professional安装程序对话框，安装到最后出现注册时,点击phone...将安装程序中显示的第二行序列号（第一行是刚才注册机生成的序列号）复制粘贴到注册机的第二行，点击右边的按钮，再用鼠标刷第三行授权号就出来了，将其复制粘贴到安装程序的最后一行，完成安装注册！

postscript.exe默认安装就可以了,它是一个pdf转换时所需要的脚本

gs811w32.exe默认安装就可以,它其实是个pdf虚拟打印机的驱动

二:配置虚拟打印机

进入windows的控制面板,进入打印机,点击"添加打印机"图标.在安装对话框上"按一步",出现选择打印机时,在制造商一栏中选择"generic",在打印机一栏中,选择"ms publisher color printer",然后一路按下一步,知道安装结束.

三:开始写第一个程序(脚本程序)

为什么要使用脚本程序进行转换呢,其实实际测试过程中,使用pdf distiller的对象引用到c#后,转换成功,但整个pdf distiller对象不能释放,第二次再转换时,就发生了错误,故此处使用脚本程序实现转换.这样我们只要在c#的程序中调用脚本程序就可以实现word到pdf的转换。

宿主脚本文件名:convertdoc2pdf.js

脚本文件内容:

var files = wscript.arguments;
var fso = new activexobject("scripting.filesystemobject");
var word = new activexobject("word.application");
var pdf = new activexobject("pdfdistiller.pdfdistiller.1");
word.activeprinter = "ms publisher color printer";

//files(0) 为word文档文件名
//files(1) 为,转换后需要保存的路径
//调用fso.getbasename(files(0))后,为无路径,无扩展名,的文件名
//files.length为文件参数的个数,使用循环可以支持多个word文档的转换

var docfile = files(0);
var psfile = files(1) + fso.getbasename(files(0)) + ".ps";
var pdffile = files(1) + fso.getbasename(files(0)) + ".pdf";
var logfile = files(1) + fso.getbasename(files(0)) + ".log";

try{
var doc = word.documents.open(docfile);
//word文件转成ps文件;
word.printout(false, false, 0, psfile);
doc.close(0);

//ps文件转成pdf文件;
pdf.filetopdf(psfile,pdffile,"");

fso.getfile(psfile).delete();//删除ps脚本文件
fso.getfile(logfile).delete();//删除转换的日志文件

word.quit();
wscript.echo("isuccess");//成功
wscript.quit(0);
}
catch(x)
{
word.quit();
wscript.echo("isfail");//失败
wscript.quit(0);
}

然后测试该脚本程序

启动ms-dos,输入如下命令:

c:\>cscript //nologo c:\convertdoc2pdf.js c:\test.doc c:\

说明:

运行成功后将看到test.pdf文档了

c:\test.doc参数对应的是脚本程序中的files(0)

c:\参数对应的是脚本程序中的files(1)

你可以安照该脚本改写成,支持多个参数,使用for循环,一次转换多个word文档,此处没有使用多个文件转换功能,是考虑到,该段脚本放在c#的线程中执行,这样一来也可以转换多个word文档.

四:使用c#调用convertdoc2pdf.js脚本

新建一个c#的windows应用程序,添加一个按钮button1

添加一个函数,函数名startconvertpdf

public void startconvertpdf()
{
process proc = new process();
proc.startinfo.filename = "cmd.exe";
proc.startinfo.workingdirectory = @"c:\";
proc.startinfo.createnowindow = true;
proc.startinfo.useshellexecute = false;
proc.startinfo.redirectstandardinput = true; //输入重定向

proc.start();
proc.standardinput.writeline(@"cscript //nologo c:\convertdoc2pdf.js c:\test.doc c:\");
proc.standardinput.writeline("exit");
proc.waitforexit();
}

然后在按钮的click事件中添加调用线程的代码

private void button1_click(object sender, system.eventargs e)
{
//定义线程序
thread thconvert = new thread(new threadstart(startconvertdata));
thconvert.start();
}

注意:在测试上面的c#程序时,必须添加如下命名空间

using system.diagnostics;
using system.threading;

五:健壮的c#调用代码(实际考虑,可放在b/s系统中)

完成第4步的c#测试后,细心的读者,可能看到一点问题,那就是如何得到脚本运行后输出的结果,如何给线程中调用的startconvertdata方法传递参数

1:传递参数,此话说来也可用一篇教程告诉大家线程中方法如何来传递参数,现在就讲一个方案,此种方案很多,我采用一个类,初始化这个类,然后调用该类的方法作为线程执行的方法

2:得到脚本的输出结果,使用process对象的输出重定向,就是说改变输出方向,使脚本不输出到控制台(ms-dos窗口),而是重定向输出到c#程序中,并采用线程的异步回调方法,显示脚本运行结果。

添加一个新类,类名为topdf

using system;
using system.diagnostics;
using system.componentmodel;
using system.windows.forms;
using system.data;

namespace doc2pdf
{
public class topdf
{
private string strword = "";//此处的word文件不含路径
private string spath = "";
public string sexecresult = "";
public bool bsuccess = false;

public topdf(string sparamword,string sparampath)
{
strword = sparamword;
spath = sparampath;
}

public void startconvertpdf()
{
process proc = new process();
proc.startinfo.filename = "cmd.exe";
proc.startinfo.workingdirectory = spath;
proc.startinfo.createnowindow = true;
proc.startinfo.useshellexecute = false;
proc.startinfo.redirectstandardinput = true;//标准输入重定向
proc.startinfo.redirectstandardoutput = true;//标准输出重定向

proc.start();
proc.standardinput.writeline("cscript //nologo "+spath+"convertdoc2pdf.js "+spath+strword+ " "+spath);
proc.standardinput.writeline("exit");
sexecresult = proc.standardoutput.readtoend();//返回脚本执行的结果
proc.waitforexit();
proc.close();

}

public void endconvertpdf(system.iasyncresult ar)//ar参数必须写,是线程执行完成后的回调函数
{
if(sexecresult.indexof("isuccess")!=-1)bsuccess=true;
else if(sexecresult.indexof("isfail")!=-1)bsuccess=false;
//如果放在b/s系统,你可以在此处写数据库,是成功还是失败,并用一个webservice程序不断检查数据库,此webservice程序不放在该回调用函数中
//如果放在c/s系统,回调函数可以不放在类中,以便在窗体程序中调用结果
}
}
}

改写原来的button1_click事件中的代码

private void button1_click(object sender, system.eventargs e)
{
topdf my2pdf = new topdf("test.doc","c:\\");
threadstart thstartconvert = new threadstart(my2pdf.startconvertpdf); //开始异步调用线程
thstartconvert.begininvoke(new asynccallback(my2pdf.endconvertpdf),null);//设置异步线程的回调函数

//如果需要转换多个word,你可以用循环
//如果是b/s系统,可以将本段代码放在aspx中,并结合客户端的无刷新显示数据的技术,不断访问webservice程序,以确定pdf是否转换成功或失败
}

六:编写更加健壮的c#调用代码(实际考虑,可放在windows的服务程序中)

实际使用时,由于转化pdf时cpu的占用率很高,考虑只在同一时间转换一篇word文档,放弃异步线程的回调函数的使用,考虑一个windows的服务程序。

写一个函数checkdata2convert(),不断的检查没有转换的word文档,并使用循环调用topdf类中执行转换方法startconvertpdf

//以下给出,泛代码,用户按照自己的需求,填写完整即可
//bool bstart为全局变量,控制循环的进入与退出
//例:18:30开始检查并转换,那么18:30时,bstart=true;并启动转换线程
//6:30停止转换线程,bstart=fasle;

private void checkdata2convert()
{
//检查指定目录下的没有转换的word文档,你同样可以检查数据库中记录的没有转换的word文档
string spath = system.threading.thread.getdomain().basedirectory; //当前的路径
while(bstart)
{
int ifilecount = checkword(); //checkword为一个方法,检查当前没有转换的word文档,返回没有转换的文件数,该方法的代码由读者自己编写
for(int i=0;i<ifilecount;i++)
{
string sword = getwordfilename(i) //getwordfilename为一个方法,返回一个不带路径的word文件名,该方法的代码由读者自己编写
//topdf类中的startconvertpdf()方法使用的是不带路径的word文件名
topdf my2pdf = new topdf(sword ,spath);
my2pdf.startconvertpdf();

if(my2pdf.sexecresult.indexof("isuccess")!=-1)
{
//成功,写日志,或回写数据库
}
else if(my2pdf.sexecresult.indexof("isfail")!=-1)
{
//失败,写日志,或回写数据库
}

}

if(!bstart)break;
thread.sleep(1000);
}
}

然后在服务的开始事件中,启动线程

protected override void onstart(string[] args)
{
//可以使用一个开始定时器,检查是否到开始时间,时间一到,就开始执行线程,此处的开始执行线程可以放在开始定时事件中
//可以使用一个结束定时器,检查是否到结束时间,时间一到,就结束线程,结束线程的代码可以放在结束定时事件中
//注意:应该使用组件中的定时器,而不是windows的forms中的定时器
//该定时器的类名为system.timers.timer,千万别搞错,不然执行不会正常的
bstart = true;
thread thconvert = new thread(new threadstart(startconvertdata));
thconvert.start();
}

然后在服务的结束事件中,设置停止线程的标识bstart= false

protected override void onstop()
{
bstart = false;
//为何次处不停止线程呢,因为考虑到,现在线程正在转换word文档,但没有结束,所以只设置停止标识,转换完成后,线程也执行结束了.
}

一、“选择文字工具，选好了贴到word里”
如果你的pdf文件是用文字制做而不是图片制做的，可以“在adobe acrobat 7.0中有选择文字的工具，可以选好了贴到word里”。但是根据你介绍的情况，你的pdf文件是用图片做的，所以不能用这种方法。

二、批量截图
截图的办法对于不是很清楚的图片来说，并不可取，因为它要么会损失信息，要么会如楼主所说加大工作量。

我建议你先用adobe acrobat中的导出功能，将这个文件导出为图像。做法：在上面菜单上选文件>导出>提取图像为>jpeg文件（其他二种也行，jpeg文件比较小），再按提示，选择一个适当的文件夹，保存图像 。
这种方法保存下来的一张张图片，比你一页页截图省力多了，而且保留了原文件的全部信息。不过500页可不一个小数，会很慢，但至少不用你亲自动手干预了。

三、批量识别
如果你想进行编辑，就必须进行ocr识别。关键在于你如何能够批量进行这个工作。

好一点的ocr软件都可以一次导入多幅图片进行识别，然后输出。不过，好像500页的确有点多了，我从来也没有超过50页的记录，通常也就是二、三十页。就算50页，也比一页一页强，是吧？

我用过不少ocr软件，觉得汉王文本王、清华紫光th比较好用。它们的识别率都非常高，还可以识别表格、繁体字、英文、竖排文字等；输出方式也很灵活，可以只输出文字，也可以按原稿排版格式输出word文件；使用起来也都不复杂。 不知你用的是什么版本的汉王，识别率会那么低。我有的时候识别质量很次的报纸上的文章，它的识别率也还是可以接受的。

四、提高识别率
如果你的底图质量非常差的话，建议你先在图片处理软件中将导出的图片进行放大、去点、锐化等处理，然后再送到ocr中识别。

我估计，你可能还是送入ocr的图片损失了部分原文的信息，造成识别率下降。因为你既然能放大，放大后截图的识别率还可以，那就说明原图的信息足够ocr识别了。只是你在操作过程中损失了部分东西。

所以，我建议你：
1）先将你的pdf文件导出5－10页图片出来
2）用汉王等ocr软件进行批量识别（识别中注意将不规则的部分框除）
3）输出成word文档

如果它们能很顺利地被识别出来，那后面的事就不用我说了。如果不行，那就真的是你的底图的问题了，这就需要对导出的图片进行批量修正处理。