OCR文字识别可以帮助PDF文档处理吗

2019独角兽企业重金招聘Python工程师标准>>>

你曾遇到过PDF难题吗？比如，无法选择文本进行复制，或者搜索PDF文档中已有的单词时，却搜索不到任何结果，原因很简单，只要有正确的工具，问题就能轻松解决。

为什么PDF文档表现有所不同？

PDF文档根据文件创建的方式，可分为三种不同的类型，文件最初的创建方式规定了PDF内容（文本、图像、表格）能否访问，或是否“锁定”在页面图像中。

想要理解PDF的结构，应该按照图层来理解。上面一层只是一张图片，如果你想访问文本，则需要有第二图层，即文本层，位于图片层下面，被隐藏了。

“真正”或数字创建的PDF文档

使用软件Microsoft Word、Excel，或者通过软件应用程序（虚拟打印机）中的“打印”功能创建，由文本和图像组成。可搜索，内容可访问，以便注释和重复使用。

“仅图像”或扫描的PDF文档

由一体化设备和办公室扫描仪上的扫描纸质文档创建，或者转换jpg或tiff图像为PDF时创建。

仅包含扫描的或者拍摄的页面图像，底下不带有文本层，内容“锁定”在快照图像中。不可进行搜索，内容不可访问。

可搜索的扫描PDF文档

文本层被添加到图像层，通常放在下面，可进行搜索，内容可访问，可进行注释和重复使用。可能会出现一些限制，比如图片元素和图像。

什么是OCR？它和处理PDF文档有何关联？

很多扫描仪都可以创建PDF文档，但也仅限于创建图像或文档快照，不过就是一堆黑白或彩色的点，称为光栅图像，无其他数据。要想从扫描文档或“仅图像”PDF文档中提取并利用数据，需要OCR文字识别软件，比如ABBYY FineReader，或者PDF工具，如ABBYY PDF Transformer+。

光学字符识别或者文本识别可以解锁“困”在扫描/拍摄的文档图像上的信息，OCR软件可以通过翻译字符图像“读取”文档里的内容，让转换文档内容和布局为可搜索和可编辑的格式成为可能。

OCR对你处理PDF的日常工作有何影响呢？

现在你知道了：每次想要选取PDF文档里的内容时都会失败，要么就是无法搜索文档里的关键词，几乎就是在处理扫描的“仅图像”PDF文档。

有了OCR，使用ABBYY FineReader，就可以将扫描的“仅图像”PDF文档转换为包含可选择和可搜索文本的PDF文档，实现轻松管理、复制和索引内容，以及全文本搜索。

处理PDF文档变得更加简单和更有效率，因为：

•可以处理扫描的纸质文档和“仅图像”PDF文档，就跟处理数字创建的PDF文档一样；

•可以更加快速地从文档中找到并访问信息，再也不用在纸堆里翻箱倒海了；

•可以重复使用文档里的信息，无需手动重新输入；

•和同时协作的时候，可以选择文本进行强调、评论和添加注释；

•可以使用“搜索和编辑”功能编辑文档中出现的机密信息。

转载于:https://my.oschina.net/abbyychina/blog/730023