iOS - 区分PDF中的背景文本(水印)和真实文本

Question

我有一个 pdf在它的背景上有水印。当开始扫描以在背景中突出显示带有水印或注释的任何单词时，它会被选中，因为它首先在触摸区域中找到。

我正在使用 CGPDFScanner 扫描文本。

我的问题是如何检测扫描的文本是背景文本还是 PDF 中的真实文本？如何区分标准文本和注释文本？

谢谢。

Answer 1

一般来说，您没有机会可靠地区分“背景”和“真实”文本。文本以某种顺序绘制在页面上的某处，前景、背景、普通文本……是人类感知的问题，可能根本不会反射(reflect)在 PDF 内容流的结构中。

您可以尝试一些有根据的猜测，例如假设“真实”文本颜色较深，而背景文本颜色较浅，或者“真实”文本排列成水平线，而背景文本通常更斜，等等。但这毕竟是猜测，没有什么可依赖的当然。

另一方面，如果是带标签的 PDF，您可能有机会将水印标记为工件数据。

PS 我刚看到你又分享了你的文件。对于您的文档，我提到的启发式方法会起作用，背景文本呈灰色并沿对角线打印。

因此，在扫描时您必须跟踪填充颜色和/或变换矩阵。一旦扫描仪找到文本，您就会根据当前颜色和/或矩阵值知道它是背景还是前景。

但请注意，并非所有文档都那么容易。