创建＆＃34;文字＆＃34;在OCRed PDF中

Question

我想以编程方式创建我已经过OCR的图像的PDF。我可以让它可选择/可搜索。

我知道每封信的内容和位置。我的想法是在每个位置创建一个看不见的文字。

但我可以以某种方式“连接”字母，以便可以选择它们，例如O形V-E-R-F-L-流？

我虽然试图猜测字母的水平尺寸，然后写出整行，但字体的宽度变化很大（例如等宽或不等），所以它可能不匹配。

之前我看过可选择/可搜索的OCR PDF文件，但我不知道如何实现，或者使用了什么PDF“功能”。这是怎么做到的？

Answer 1

要了解PDF中的OCR文本是如何工作的，请在SuperUser.com上查看此答案：

• 的 "How can we make the invisible text visible?"

使用您周围的OCR PDF文件，使用本答案中演示的命令行工具，命令和说明是值得的。您将学习解决问题所需的一切，以编写“隐形”文本。

---

将文本对象放入PDF时，可以使用不同的模式来呈现此文本。我从官方的PDF-1.7规范中复制了下表：

现在，猜猜，PDF中的OCR文本使用了什么？

确切地说，你是对的：它使用模式3：既不填充也不冲程文本（不可见）。

用于设置文本呈现的PDF页面绘制操作符为Tr，切换到模式3的代码只是3 Tr。它必须在您编写的任何文本之前（请记住，PDF类似于PostScript并使用反向表示法：第一个值，然后是运算符）。

TL; DR： 每当在模式3的PDF页面上呈现文本时，此文本都可在任何查看器中进行搜索，选择和复制，但是看不见的！

Answer 2

如果您只是将字符按顺序写入PDF，那么大多数PDF阅读器，当有人进行文本选择/搜索时，会根据间距计算出去处的文字。

另一方面，您尝试过最新的tesseract-ocr吗？他们现在有完整的PDF输出。不确定文本选择的输出是否符合您的标准，但您可能希望至少尝试一下。