创建可搜索的 PDF 时如何在 PDF 中保留图像和样式？

Question

我有一个网站，我的客户可以在其中上传他们的文件（主要是 PDF）。我希望能够使 PDF 可搜索，但我不希望更改 PDF 的外观。我已经尝试创建一个 .NET 端点来实现这一点，我可以发布到。

我已经尝试将 iTextSharp 与 Tesseract 结合使用，但它们都没有给我我想要的东西。这是我尝试过的代码：

使用tesseract从pdf中获取文本：

     using (var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default))
     using (var img = Pix.LoadFromFile(testImagePath))
     using (var page = engine.Process(img))
     {
        var text = page.GetText();
     }

然后使用 iTextSharp 从旧版本生成 PDF：

// open the reader
PdfReader reader = new PdfReader(oldFile);
Rectangle size = reader.GetPageSizeWithRotation(1);
Document document = new Document(size);

// open the writer
FileStream fs = new FileStream(newFile, FileMode.Create, FileAccess.Write);
PdfWriter writer = PdfWriter.GetInstance(document, fs);
document.Open();

// the pdf content
PdfContentByte cb = writer.DirectContent;

// select the font properties
BaseFont bf = BaseFont.CreateFont(BaseFont.HELVETICA, BaseFont.CP1252,BaseFont.NOT_EMBEDDED);
cb.SetColorFill(BaseColor.DARK_GRAY);
cb.SetFontAndSize(bf, 8);

// write the text in the pdf content
cb.BeginText();
string text = "Some random blablablabla...";
// put the alignment and coordinates here
cb.ShowTextAligned(1, text, 520, 640, 0);
cb.EndText();
cb.BeginText();
text = "Other random blabla...";
// put the alignment and coordinates here
cb.ShowTextAligned(2, text, 100, 200, 0);
cb.EndText();

// create the new page and add it to the pdf
PdfImportedPage page = writer.GetImportedPage(reader, 1);
cb.AddTemplate(page, 0, 0);

// close the streams and voilá the file should be changed :)
document.Close();
fs.Close();
writer.Close();
reader.Close();

但是，我在生成所需的输出时遇到了问题。有没有更简单的方法来实现我正在寻找的东西？这是我试图使其可搜索的 PDF 示例。我不想丢失 PDF 的图像或字体/样式。我只是想让它变得可搜索：

https://www.fujitsu.com/global/Images/sv600_c_normal.pdf

Answer 1

如果您有兴趣为此利用商业产品，LEADTOOLS SDK 有一个带有image-over-text functionality 的 OCR 工具包。此功能将原始文件的图像设置为输出 PDF 中的叠加层，使文本可搜索并保持原始输入文件的外观。

我能够使用此代码将您的文档转换为仍代表原始文档的可搜索版本：

     string folderPath = "filepath";

     string inputFilename = Path.Combine(folderPath, "sv600_c_normal.pdf");
     string outputFilename = Path.Combine(folderPath, "sv600_c_normal-output.pdf");

     IOcrEngine engine = OcrEngineManager.CreateEngine(OcrEngineType.LEAD);
     engine.Startup(null, null, null, null);

     PdfDocumentOptions pdfOptions = engine.DocumentWriterInstance.GetOptions(DocumentFormat.Pdf) as PdfDocumentOptions;
     pdfOptions.ImageOverText = true;
     engine.DocumentWriterInstance.SetOptions(DocumentFormat.Pdf, pdfOptions);

     engine.AutoRecognizeManager.Run(inputFilename, outputFilename, DocumentFormat.Pdf, null, null);
     
     

这是示例文件的output。它是可搜索的并且与原版相似。

免责声明：我在这家公司工作