现在很多软件的OCR（文字辨识）功能都很不错，但有没有办法将文字辨识过的PDF档，抽取其中的OCR层，成为单独档案，然后再借由软件贴回到PDF？
这样做的好处是，例如我将某本辞典OCR过，接著就可以将OCR层抽取出来，分享到网路，让其他人直接贴回他们尚未OCR过的，同一本辞典PDF档。如此一来，他们就不必重新下载整个PDF档了。
这个想法，有点类似把目前书签档抽出来，再贴回去的概念（「PDF补丁丁」有这个功能）。然而不知OCR有没有办法这样？
1 个赞
PDF的文本层是可以"抽"出来，也可以"贴"回去的，但是没有软件支持这样的操作。
2 个赞
图像/文本双层pdf牵涉到很多页，很多文字和图像的一一精准对应。图像文件略有变动，不是同一个母本，分辨率调整、页码增删等，都会导致还原的双层pdf完全成了废物，即使修复，也很麻烦。徒增这些烦恼和复杂度，以现在的网络带宽、速度，上传、下载完整的图像/文本双层pdf无疑使事务简单得多。
1 个赞
现在别说图像pdf、双层pdf，即使文本pdf，也可以被认为“过时”了，很多ai业界的人都在研究怎么可以让 arXiv 上的pdf更适合机读，转成markdown或者html等，arXiv 自己现在也提供了自动转的html格式论文。在可以想象的未来，书籍、论文主要是ai在读，人浏览一下总结、摘要等，或者从海量文献中选择少量精读，整些细致精美排版的pdf是没啥意义的，txt、markdown、html比较合适，需要打包的话，用epub之类。
1 个赞
楼主在问，应该是有他的需求，随然我不知道怎么解决。比如：做精品，收藏
2 个赞
PDF文件的文本层“提取”、“写入”都是比较容易实现的，比如下面就是提取的python代码：
from pathlib import Path
from typing import Iterable, Any
from pdfminer.high_level import extract_pages
def show_ltitem_hierarchy(o: Any, depth=0):
"""Show location and text of LTItem and all its descendants"""
if depth == 0:
print('element x1 y1 x2 y2 text')
print('------------------------------ --- --- --- ---- -----')
print(
f'{get_indented_name(o, depth):<30.30s} '
f'{get_optional_bbox(o)} '
f'{get_optional_text(o)}'
)
if isinstance(o, Iterable):
for i in o:
show_ltitem_hierarchy(i, depth=depth + 1)
def get_indented_name(o: Any, depth: int) -> str:
"""Indented name of LTItem"""
return ' ' * depth + o.__class__.__name__
def get_optional_bbox(o: Any) -> str:
"""Bounding box of LTItem if available, otherwise empty string"""
if hasattr(o, 'bbox'):
return ''.join(f'{i:<4.0f}' for i in o.bbox)
return ''
def get_optional_text(o: Any) -> str:
"""Text of LTItem if available, otherwise empty string"""
if hasattr(o, 'get_text'):
return repr(o.get_text().strip())
return ''
path = Path(r"C:\Users\xxx\Desktop\武器和战争的演变.pdf").expanduser()
pages = extract_pages(path)
show_ltitem_hierarchy(pages)
我这里上传一页双层PDF，武器和战争的演变.pdf (53.8 KB) ，它的运行结果如下，有文字，也有每行、每个字的坐标位置。
武器和战争的演变 OCR文字层（文本和坐标）.txt (47.2 KB)
element x1 y1 x2 y2 text
------------------------------ --- --- --- ---- -----
generator
LTPage 0 0 392 576
LTTextBoxHorizontal 77 466 334 476 '尽管最初铁的造价十分昂贵，而且产量有限，但是，铁的'
LTTextLineHorizontal 77 466 334 476 '尽管最初铁的造价十分昂贵，而且产量有限，但是，铁的'
LTChar 77 466 88 476 '尽'
LTChar 88 466 98 476 '管'
LTChar 98 466 108 476 '最'
LTChar 108 466 118 476 '初'
LTChar 118 466 129 476 '铁'
LTChar 129 466 139 476 '的'
LTChar 139 466 149 476 '造'
LTChar 149 466 159 476 '价'
LTChar 159 466 170 476 '十'
LTChar 170 466 180 476 '分'
LTChar 180 466 190 476 '昂'
LTChar 190 466 201 476 '贵'
LTChar 201 466 211 476 '，'
LTChar 211 466 221 476 '而'
LTChar 221 466 231 476 '且'
LTChar 231 466 242 476 '产'
LTChar 242 466 252 476 '量'
LTChar 252 466 262 476 '有'
LTChar 262 466 272 476 '限'
LTChar 272 466 283 476 '，'
LTChar 283 466 293 476 '但'
LTChar 293 466 303 476 '是'
LTChar 303 466 314 476 '，'
LTChar 314 466 324 476 '铁'
LTChar 324 466 334 476 '的'
LTAnno ''
LTTextBoxHorizontal 57 451 335 460 '发现毕竟给古代兵器和战争带来了巨大的影响。到了公元前'
LTTextLineHorizontal 57 451 335 460 '发现毕竟给古代兵器和战争带来了巨大的影响。到了公元前'
LTChar 57 451 68 460 '发'
LTChar 68 451 79 460 '现'
LTChar 79 451 89 460 '毕'
LTChar 89 451 100 460 '竟'
LTChar 100 451 111 460 '给'
LTChar 111 451 121 460 '古'
LTChar 121 451 132 460 '代'
LTChar 132 451 143 460 '兵'
LTChar 143 451 153 460 '器'
LTChar 153 451 164 460 '和'
LTChar 164 451 175 460 '战'
LTChar 175 451 186 460 '争'
LTChar 186 451 196 460 '带'
LTChar 196 451 207 460 '来'
LTChar 207 451 218 460 '了'
LTChar 218 451 228 460 '巨'
LTChar 228 451 239 460 '大'
LTChar 239 451 250 460 '的'
LTChar 250 451 260 460 '影'
LTChar 260 451 271 460 '响'
LTChar 271 451 282 460 '。'
……
这些数据拿到，当然可以反向操作，把文字按照坐标位置一一写入pdf。网上的示例程序多得很，我就不继续罗嗦了。
3 个赞