这个pdf是如何编码的？字体看起来很有趣

Question

在阅读pdf文档时，我已多次看到此效果。所以，一些pdf有这个有趣的污迹字体，它看起来像是一个扫描图像。但是，我可以选择字体，在选择字体时，突出显示的字体显示的方式与图像中显示的不同。

默认外观

选择字体时的外观

总的来说，似乎有些ocr正在幕后发生。 我使用的文档阅读器是 Atril 1.12.2 文档查看器。

我的问题是： pdf，图片或文字中编码了什么？我选择文本时会发生什么？

Answer 1

在OP共享的文档中可以观察到另一个不错的变化：

我们在这里看到的确实是OCR的结果。但是，在观看者的场景背后发生了一些事情，OCR已经发生过，结果已经整合到PDF中。

PDF页面实际上包含一个扫描图像，在该图像上绘制了不可见的文本。

只要没有选择任何内容，Atril就会显示，您只能看到扫描图像。但是，一旦开始选择文本，它就会以蓝色覆盖标记区域，并在其上显示白色的标记（以前不可见）文本。

因此，在不能在图像中的相应字母正上方添加不可见文本的情况下，这可能会导致有趣的空白，例如在＆＃34;多维＆＃34之后的OP屏幕截图中的空白;。如果OCR输出中出现错误，可以在我的屏幕截图中查看错误数据。

其他PDF查看器通常仅通过对文本区域应用某些效果来标记文本，例如反转颜色或覆盖半透明颜色。

可能会认为Atril方法的一个优点是，在选择过程中，人们会看到一个正在选择的确切文本，并且可能最终会复制。

内容流

如上所述，PDF页面实际上包含一个扫描图像，在该图像上绘制了不可见的文本。

在页面内容流中，相应的指令如下所示：

1 0 0 1 0 0.2401 cm

（将坐标系向上移动一分钟）

1 1 1 rg
1 i
/RelativeColorimetric ri
/R794 gs
0 0 576 719.5 re
f

（将图像区域填充为白色）

q
576 0 0 719.5 0 0 cm
/Im0 Do
Q

（绘制位图图像）

1 0 0 1 0 -0.2401 cm

（将坐标系向下移动一分钟，撤消初始升档）

BT

（开始一个文本对象）

0 0 0 rg

（将填充颜色设置为黑色）

/TT1 1 Tf
0.05 Tc
0 Tw
3 Tr

（选择大小为1的字体 TT1 ，字符之间有一些额外空格，字之间没有多余空格，和文字渲染模式3，即不可见 ）

7.3 0 0 7.3 83.8 678.4401 Tm
(SOFTWARE-PRACTICE ) Tj

（将文本坐标系设置为水平移动83.8，垂直移动678.4401，缩放7.3并绘制一些文本）

0.08 Tc
7.4 0 0 7.1 175.2 678.4401 Tm
(AND ) Tj

（稍微改变字符间距，将文本坐标系设置为水平移动175.2，垂直移动678.4401，水平缩放7.4，垂直7.1缩放，绘制一些文本）

...

TL; DR

  

pdf，图像或文字中编码了什么？

两者，图像加上不可见的文字。

  

我选择文字时会发生什么？

Atril将文本覆盖为蓝色，并将选定的（以前不可见的）文本绘制为白色。