本帖最后由 haierccc 于 2018-3-23 09:56 编辑
我对PDF的了解不多，根据我的判断，应该有2类PDF：内嵌文字的，和图片的。
内嵌文字的PDF，因为里面已经有文本内容了，所以很容易实现PDF转WORD，而且是一字不差（其实就是把内嵌的文本提取出来而已）。
另一种是图片类型的，比如用手机拍一张照片，然后把该照片转成PDF（WPS就可以），因为是图片，所以需要OCR识别才能转成可编辑的文本。但因为清晰度等原因，转换过程肯定有错误（OCR是依形状识别文字的），比如把数字0识别成了字母O，“因”识别成“困”等等。
这几天我在用FOXIT看PDF书：
从上图可见，这应该是扫描件，因为印刷过程中的一些缺陷很明显的体现出来，比如不均匀的油墨，和顶部的背景图案。
因为是图片，按理说要识别成文字需要OCR，可是我发现，我居然可以直接选中文字，复制粘贴：
识别出的文字：
第 3 章
TCP/IP 简介
本章涵盖如下 CCNA考试要点。
J 描述网络的工作原理
日描述 OSI 和 TCP 模型中各协议的用途和基本工作原理。
口使用分层模型方法找出并修复第 1 层、第 2 层、第 3 层和第 7 层的常见网络故障。
这是咋回事，百思不得其解。
如果说该PDF已经内嵌了文字，那提取出的文本应该是一字不差，但在复制的过程中经常有错字，比如这里把对号√识别成了j，方框■识别成了日和口。
很明显，这是字体形状判断错误，因为√的形状和j类似，■的形状和日、口类似，应该是OCR识别过程的错误。
难道FOXIT已经能够做到实时OCR，直接对图片内容进行识别么？我做了一个实验，先用WPS编辑文字，再截图成图片，在WPS中插入这张图片并输出为PDF：
可是在FOXIT中打开却法复制其中的文字，说明没有OCR识别，但纯文字转的PDF就能复制。
真是好奇怪的现象啊，请教高人。
|
收藏
转播
来个方言试试
