pdf - 隐藏文本如何存储在 OCR 增强的 PDF 文件中

Question

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

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

为此，我一直在寻找如何对我的 PDF 文件进行 OCR 的不同解决方案。我发现三个候选人似乎正在做他们应该做的事情......(或多或少)。但是所有三种变体都有其优点和缺点......但是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 Adob​​e Acrobat 进行 OCR 的文件:

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

结果是 Acrobat 能够在一个步骤中打开一个文件(没有预加载任何背景层)，并且在预检脚本之后，我能够看到隐藏存储的文本:

使用 Abby Finereader 进行 OCR 的文件:

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

似乎不适合默认的 adobe 预检脚本，因为它不显示任何附加层:



但就我能够重现这些文件而言，似乎有一个背景文本层，其中包含 OCR 文本，这是最后向用户显示的图像的底层。不幸的是，这似乎是单独加载的，这在使用 Adob​​e Acrobat 打开文件时令人困惑...

使用 Tesseract 4 (Alpha) 进行 OCR 处理的文件:

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

还对隐藏文本部分做了一些奇怪的魔术:

但在所有三种情况下，我都可以在文件中搜索单词并使用“删除隐藏信息”并选择“隐藏文本”查看文本:



我真的很困惑.... 有谁知道这些程序是如何真正存储隐藏的文本信息的？

S。

P.S.: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

Does anyone know how these programs are storing their hidden text information really?

您已经正确地发现 Abby Finereader 的方法与 Adob​​e Acrobat 和 Tesseract 的方法不同:

Abby 创建一个页面内容流，其中首先在页面上正常绘制文本，并最终被扫描图像覆盖。

Acrobat 和 Tesseract 创建内容流，其中首先绘制图像，然后不可见地绘制文本(使用不绘制任何内容的文本渲染模式 3)。

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 查看器具有字体程序将这些字体呈现为普通字形。

Tesseract 使用一种字体 GlyphLessFont 它将字体程序嵌入到结果文件中。渲染时，这种字体中的字形不会显示为我们正常的拉丁字形，而只是显示为空白。

考虑到您对 Abby 结果观察到的视觉效果，Acrobat 或 Tesseract 使用的方法可能更可取。

人们是否喜欢带有可识别字形的字体(如 Acrobat 所用)或不带有(如 Tesseract 所用)，主要只是品味问题。无论如何，它们仅用于不可见渲染模式。