Warstwa PDF i tekst

Question

Zgodnie z tą witryną http://www.searchable-pdf.com/content.php?lang=en&c=61 plik PDF można przeszukiwać po dodaniu warstwy tekstowej.

Szukałem specyfikacji technicznej pliku PDF. Myślę, że tekst można zapisać na dwa sposoby w pliku PDF: a) jako warstwę tekstową nad warstwą obrazu (jak opisano na powyższej stronie) b) podczas tworzenia pliku PDF z dokumentu programu Word (z tekstem), nie myśl, że Word będzie przechowywać cały tekst w warstwie tekstowej. Myślę, że zapisze to w warstwie obrazu? Dobrze?

Od wersji PDF 1.4 dodano XMP (http://en.wikipedia.org/wiki/Extensible_Metadata_Platform). Ale czym jest XMP? Czy jest to "warstwa tekstowa", o której mówiłem powyżej?

Jeśli skaner wykonuje OCR na obrazie, czy zapisuje tekst w "warstwie tekstowej"? Lub pole "XMP"? Może to być tylko wtedy, gdy plik PDF ma wersję 1.4?

Jak wykryć, czy plik PDF zawiera już dane tekstowe? Na przykład: PDF A został zeskanowany przy pomocy OCR, a PDF B nie. Skąd mam wiedzieć, że PDF B powinien zostać wysłany do osobnego silnika OCR?

Answer 1

W specyfikacji PDF nie ma wzmianki o "warstwie tekstowej". Zwykle istnieje tylko jeden sposób na "przechowywanie" tekstu: za pomocą tekstu pokazującego operatorów. Operatory te narysują tekst w określonej lokalizacji, używając określonego koloru, czcionki, rozmiaru czcionki i trybu renderowania tekstu. Istnieje kilka trybów renderowania tekstu. W celu udzielenia odpowiedzi na twoje pytanie tekst może być widoczny lub niewidoczny.

Skaner, który wykonuje OCR, renderuje obraz rastrowy i tekst do dokumentu PDF. Tekst jest renderowany za pomocą trybu niewidocznego renderowania tekstu. Powoduje to, że możesz zaznaczyć tekst za pomocą myszy (podświetlony obszar zostanie wyświetlony w oczekiwanej lokalizacji na górze obrazu) i możesz wyszukać tekst. Ponownie wynik wyszukiwania zostanie wyświetlony we właściwej lokalizacji.

Co się stanie, gdy wygenerujesz plik PDF z dokumentu programu Word, zależy od oprogramowania używanego do konwersji. Według mojej wiedzy, te konwertery nie generują obrazu, ale generują widoczny tekst.

XMP to metadane w przeciwieństwie do danych wizualnych.

Na koniec, w odniesieniu do pytania dotyczącego wykrycia, czy plik PDF zawiera dane tekstowe, znajduje się tutaj similar question.

Answer 2

Podniosłem decyzję Franka Rema, ponieważ jest ono "kompletne".

Dodam kilka szczegółów jednakże:

1. z „niewidzialność” tekst pochodzi z Tr, tryb renderowania tekst 3 operatora w formacie PDF: „Ani wypełnić ani udar tekst”(PDF-1.7 spec, Chapter 9.3.6).
2. Zapraszamy do obejrzenia tej superuser. Pytanie: "PDF has an extra blank in all words after running through Ghostscript" i moje odpowiedzi tam, aby dowiedzieć się kilka rzeczy o szczegółach technicznych (ESP spojrzeć na jeden z nagłówkiem „Jak możemy uczynić niewidzialnym tekst widoczny?”).