如何将Word文档/ pdf /图像的部分（每页多个部分，多页）提取为单独的图像/ Word文档/ pdfs？

Question

这是基本问题：我大约有10,000个包含数据块的word文档。 每个块都有编号，并且还带有一个图像。 我需要以某种方式将这些单独的块作为图像存储到数据库（文本会很好，但是请阅读下面的注释），而无需编号。

我可以使用### QUESTIONSTART ###，### QUESTIONEND ###或其他方法来让打字员标记块的开始和结束。 我正在尝试获取该文档，将其转换为大图像，查找那些标签，将标签之间的部分提取为图像，然后移至下一个块。

我一直在研究一些API，我认为一旦弄清楚如何获取每个开始/结束标记的坐标，就可以肯定可以裁剪图像。 有什么建议么？ 我不愿写一个逐个像素匹配器，该匹配器必须为O（块数* n ^ 2）

注意：这些块包含复杂的方程式/数学类型的内容，因此包含图像。 我没有$$可以让1000名打字员接受TeX培训并重新输入整个交易。 OCR尚未削减。

Answer 1

我无法理解您的所有问题，但在我看来， Tika可以为您提供帮助。

Answer 2

如果您可以让打字员在10,000个文档中添加方框标记，为什么打字员不能

• 打开Word文档
• 复制Word文档中的图像
• 将图像粘贴到Paint中
• 将映像保存到他们的磁盘上？

您可以提出一种对您和您的打字员有意义的图像命名方案。

然后，您可以使用程序从磁盘驱动器中收集映像并将其加载到数据库中。