快速检查 PDF 文件上的 OCR 文本层答案

【问题标题】：quickly inspect OCR text layer on PDF file快速检查 PDF 文件上的 OCR 文本层
【发布时间】：2017-11-17 18:57:01
【问题描述】：

是否有任何程序可以让我将 PDF 的文本 (OCR) 层叠加在 PDF 渲染之上？

我想快速查看文本层是否有错误。

如果可以通过程序完成会更方便，如果没有，一些cli命令或脚本也可以工作。

【问题讨论】：

您希望使用哪种编程语言来实现该程序？您的 OCR 程序是如何添加文本的？（在渲染模式下绘制“不可见”？定期在下面绘制文本？...）
Python 没问题。我使用 ocrmypdf 添加文本。
不幸的是，我只能帮助使用 java 或 c# pdf 库。尽管如此，并不是每个人都知道“ocrmypdf”，因此该提示并不能真正回答该程序如何添加文本。如果您不了解自己，请分享带有 ocr'ed 文本的示例。
Java 或 C# 也可以。我的意思是 OCR 数据“夹在”文档中。
这是一个带有 ocr 层的 pdf 示例：docdro.id/G97YGFO

标签： pdf ocr

【解决方案1】：

叠加？这意味着您想要添加文本，而我相信您想要访问文本以进行检测并可能进一步分析 OCRed 文本质量。也许需要进一步澄清。

我们的开发人员在算法方面研究了一段时间，以检测 PDF 中是否存在文本，然后评估其质量。有许多情况可以欺骗基本算法 - 添加到纯图像 PDF 中的 Bates 编号或印记器使 PDF 看起来具有高质量文本，但没有实际文本。一些复印机在使用包含许多错误的质量非常低的 OCR 时生成“可搜索的 PDF”，但不一定在通常是某种带有大字体的标题页的第一页上，因此算法遇到的文本的第一行似乎高质量。或者第一页可能有文本而其他页面没有，但算法可能会认为整个 PDF 有文本。

在我们基于服务器的商用大容量 OCR 软件（由服务机构、SaaS 平台、图书馆、积压转换等使用）中，我们现在可以使用现有的文本层和“智能决策”对 PDF 进行高级检测，可以过滤许多这些误报情况。我们的 OCR 可以跳过 PDF 中具有高质量文本的重新 OCRing PDF。如果您正在寻找一个优质廉价的 OCR 平台，这种检测是其中的一个功能，但如果没有我们的 OCR，它就无法单独使用。 OCR 工作流程用作该过滤器的一部分。我们的开发人员无需外部工具即可编写和集成这些算法。

我在www.wisetrend.com 工作，我们为各种 OCR 项目提供软件解决方案和咨询。

【讨论】：

不，这不是我想要的。我想在 pdf 上“绘制”已识别的文本。
绘制已识别的文本？我又不清楚了。您是否在询问如何将文本图层添加到图像 PDF 中导致“图像上的文本”（您看到矢量文本）或“图像下的文本”（您看到图像但文本存在于图像坐标下）类型的 PDF？在任何情况下，任何 PDF SDK 都可以添加或编辑文本层：forums.adobe.com/thread/928424