以图表方式注释 PDF

Question

我想对 PDF 进行实质性注释。在我的特定情况下，此 PDF 将包含工资单数据，但数据不倾向于离散表格。如果是这样，注释就无关紧要了。

我要注意的是数据片段，作为为解析这些数据而编写的算法的参考。例如，员工的元数据（姓名、SSN、帐号、工作时间、工资率等）将一致地分布在单个文档中（大部分情况下），但因文档来源而异，有时在内中也不同。 em> 文档源（例如，Payroll Company X 可能会为不同的客户或在他们继续对格式进行迭代时移动数据字段）。注释将允许提前规划解析模型，以及作为参考。我会记下感兴趣的数据，无论我在解析数据模型中给它起什么名字，它在页面上的相对位置等等。我在想网格线末端的编号网格标签和一些未网格化的标注.这些文件可能很复杂。请参阅下面的模型。

尝试标记打印文档很快就会变得混乱，并且不允许重构。我使用 Adob​​e Acrobat Pro 进行了各种成功的尝试，它具有最佳注释功能（我很高兴被弄错了）。使用Inkscape 效果要好得多，但仍然很笨拙。我希望 Illustrator 或任何其他通用矢量应用程序将是类似的。我无法访问 Visio，但使用过它的在线竞争对手，例如 Lucidchart 和 Draw.io，它们在功能上还可以，但我不能将它们用于包含 PII 的文档。我查看了PDF Annotator 和 Okular，它们的注释引擎更适合突出数字文本而不是图表。

我忽略了某种类型的应用程序可以使这更容易实现吗？完全有可能使用矢量插图应用程序是最合适的，但也许将 PDF 转换为更适合这种图表的另一种文档格式会更好。

参考：我已经阅读了以下 SO 问题，这些问题相互关联，但似乎并不能真正满足我的需求： - Systematically annotate a PDF - Annotating Adobe Reader PDFs with math symbols

Answer 1

根据 PDF 中网格线的布局方式，如果 OCR 识别库包含表格的自动检测功能，它可能会很有用。例如，我知道 LEADTOOLS Recognition library 的 LEAD OCR 引擎，因为我为这个工具包的供应商工作，所以我很熟悉它，它有一个使用 AutoDetectCells 方法检测表格和绘制识别区域的选项。

所以一个带有网格线的表格是这样的：

将通过这样的表格检测进行识别：

然后可以使用区域坐标绘制注释并用于提取其中的信息。

虽然您希望最终解析 PDF 并从中提取员工信息，但您可以考虑采用更直接的方法。像 LEADTOOLS 这样的识别库通常会隐式使用这样的检测来提取所需的文本。例如，这个库可以为您期望的文档的每个主要变体定义一个主表单模板，然后使用它们使用 OCR 和自动检测自动识别和提取请求的字段，就像上面描述的那样。

如果这听起来像是您可以考虑的一种方法，您可以查看here 了解更多详情。