i3v*_*i3v 4 pdf ocr adobe-acrobat
假设您有 2 个“已扫描”的 pdf 文件。
两个文件都包含相同的图像，只是压缩方式不同。
目标是将相同的文本层嵌入到第一个 pdf 中。
“仅 OCR 1st 文件”不是解决方案。我知道 Acrobat（和其他一些工具）能够在不改变图像层的情况下进行 OCR，但我对它们的 OCR 质量不满意。
所以，我看到了两种可能的方式：
关于第一种方式，我什么也没找到。关于第二种方式，我找到了两个工具，它们非常接近hocr2pdf和pdf2text，但据我所知，它们仍然不够。:(
PS：使用示例：
我刚刚发现了另一个示例，其中此类操作以系统的方式很有用。
如果你扫描了 pdf-1（没有文本层），比如“jpg”图像压缩，Abbyy Finereader 会给你 OCR 的 pdf，pdf-2。如果您选择无损图像压缩，它要么非常大，要么其图像质量明显低于 pdf-1。在许多情况下，最好的选择是保持源图像压缩原样，不要重新压缩图像。
这个stackoverflow 上的答案有一个解决方案。您可以使用pdftotext -bboxPython 包PDFMiner从 pdf-2 中提取带有坐标的文本，然后使用 Python 包ReportLab将此隐藏文本写入新的 PDF ，然后使用PDFtk将此隐藏文本 PDF 与您的 pdf-1 合并（有网页上的 Windows 图形用户界面；Unix 的命令行现在称为 PDFtk 服务器。）
或者，您可以尝试使用 PDFtk 直接合并 pdf-1 和 pdf-2。运行pdftk pdf-2 multistamp pdf-1 output out.pdf。这会将 pdf-1 的每一页放在 pdf-2 对应页面的前面，因此您只会看到来自 pdf-1 的图像（假设它们是扫描件，并且没有透明背景），但是隐藏的文本从 pdf-2 将包括在内。缺点是这可能非常大，因为它将包含每个页面图像的两个副本。我已经验证这是有效的，并且输出 pdf 的大小是输入大小的总和。