隐藏文本如何存储在OCR增强的PDF文件中

Question

//编辑26.03.2018 - 谁想继续我的工作可以查看我的源文件https://github.com/n0l0cale/ocr-sampledata

我实际上正在寻找有关PDF文件的一些细节。对我来说最重要的是文件可以使用很长时间，如果可能的话，OCR应该自动应用于新文件（这似乎是Adobe Acrobat无法实现的......）。

为此，我一直在寻找不同的解决方案如何OCR我的PDF文件。我发现有三个候选人似乎正在做他们应该做的事情......（或多或少）。但是这三种变体都有它们的优点和缺点......但似乎有不同的方法如何在PDF文件中存储数据....对于所有三个变体...让我解释一下：

• 使用Adobe Acrobat OCRed的文件：

  https://github.com/n0l0cale/ocr-sampledata/blob/master/A4%20sample_ACROBAT.pdf

  导致Acrobat能够一步打开的文件（没有预加载任何背景图层），并且在预检脚本之后，我能够看到隐藏的文本：

  

• 使用Abby Finereader OCRed的文件：

  https://github.com/n0l0cale/ocr-sampledata/blob/master/A4%20sample_ABBY.pdf

  似乎不适合默认的adobe preflight-script，因为它不会显示任何其他图层：

  

  但是我能够重现这些文件似乎有一个Background-Text-Layer，它包含OCRed Text，它是最终向用户显示的Image的底层。不幸的是，这似乎是单独加载的，这在用Adobe Acrobat打开文件时会让人感到困惑......

• 使用Tesseract 4（Alpha）OCRed的文件：

  https://github.com/n0l0cale/ocr-sampledata/blob/master/A4%20sample_TESSERACT_oem2.pdf

  还使用隐藏文本部分做了一些奇怪的魔术：

  

但在所有三种情况下，我都可以搜索文件中的文字，并使用＆＃34;删除隐藏信息＆＃34;并选择＆＃34;隐藏文字＆＃34;：

我非常困惑....有谁知道这些程序是如何存储他们隐藏的文本信息的？

S上。

P.S。：对于那些想知道这个不祥的预检剧本是什么的人：https://theblog.adobe.com/hidden-gems-in-acrobat-dc-how-to-optimize-hidden-ocr-text/

Answer 1

  

有谁知道这些程序是如何存储其隐藏文本信息的呢？

您正确地发现Abby Finereader的方法与Adobe Acrobat和Tesseract的方法不同：

• Abby创建一个页面内容流，首先在页面上正常绘制文本并最终覆盖扫描图像。
• Acrobat和Tesseract创建内容流，首先绘制图像，然后无形地绘制文本（使用文本渲染模式3，什么都不绘制）。

后两种结果的区别在于所用字体的选择：

• Acrobat使用常规标准14种字体，P​​DF查看器有一个字体程序将它们渲染为普通字形。
• Tesseract使用字体 GlyphLessFont 将字体程序嵌入到结果文件中。渲染时，此字体中的字形不会显示为我们的普通拉丁字形，而只显示为空格。

考虑到您观察到的Abby结果的视觉效果，Acrobat或Tesseract使用的方法可能更合适。

无论是喜欢具有视觉识别字形的字体（如Acrobat使用的字体）还是没有（如Tesseract所使用的）字体，大多只是品味问题。它们仅用于隐形渲染模式。