隐藏的文本如何存储在OCR增强的PDF文件中

Question

//编辑26.03.2018-谁想继续我的工作可以看一下我的源文件https://github.com/n0l0cale/ocr-sampledata

我实际上正在寻找有关PDF文件的一些详细信息。对我来说最重要的是，这些文件将可以使用很长时间，并且如果可能的话，OCR应该自动应用于新文件（Adobe Acrobat似乎不太可能...）。

为此，我一直在寻找不同的解决方案，如何对我的PDF文件进行OCR。我发现三个候选人似乎正在做他们应该做的事（或多或少）。但是，这三个变体都有其优点和缺点...但是对于所有三个变体，似乎都有不同的方法将数据存储在PDF文件中。...让我解释一下：

• 使用Adobe Acrobat的文件OCRed：

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

  生成一个文件，Acrobat可以在一个步骤中打开该文件（不预加载任何背景层），并且在执行预检脚本之后，我可以看到隐藏的文本：

  

• 使用Abby Finereader的文件OCRed：

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

  似乎不适合默认的adobe preflight-script，因为它不显示任何其他层：

  

  但是，据我所知，这些文件似乎都有一个Background-Text-Layer，其中包含OCRed Text，这是最后显示给用户的Image的基础层。不幸的是，这似乎是单独加载的，这在使用Adobe Acrobat打开文件时令人困惑。

• 使用Tesseract 4（Alpha）的文件OCRed：

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

  在隐藏文本部分也做了一些奇怪的魔术：

  

但是在所有三种情况下，我都可以在文件中搜索单词，并使用“删除隐藏的信息”并选择“隐藏的文本”来查看文本：

我感到非常困惑。。。有人知道这些程序是如何真正存储其隐藏文本信息的吗？

S.

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

Answer 1

有人知道这些程序是如何真正存储其隐藏文本信息的吗？

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

• Abby创建了一个页面内容流，其中首先在页面上正常绘制文本，然后最终被扫描的图像覆盖。
• Acrobat和Tesseract创建内容流，在该内容流中，首先绘制图像，然后不可见地绘制文本（使用不绘制任何内容的文本呈现模式3）。

后两个结果之间的区别是所使用的字体的选择：

• Acrobat使用常规的标准14字体，PDF查看器具有常规的14种字体，该字体程序可将其呈现为普通字形。
• Tesseract使用字体GlyphLessFont，它将字体程序嵌入到结果文件中。渲染后，此字体的字形不会显示为正常的拉丁字形，而只会显示为空白。

考虑到您观察到的Abby结果的视觉效果，Acrobat或Tesseract所采用的方法可能更可取。

人们是喜欢带有视觉上可识别的字形的字体（如Acrobat所用）还是不喜欢（如Tesseract所用）的字体，在很大程度上只是味觉问题。无论如何，它们仅在不可见的渲染模式下使用。