请教 PDF 格式的实现

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 1771 天前的主题，其中的信息可能已经有所发展或是发生改变。

最近在做有关 PDF 文档的识别与归类，接触了很多种类的 PDF

有看起来和 word 差不多的，有看起来是上了年头的书扫描而成的，有各种语言，英文日文中文等等

在这个过程中我发现 PDF 阅读器对于 PDF 文件可不可以选中复制的判定很奇怪，有的字工工整整就像 doc 文件，不能复制，有的扫描件看起来歪歪扭扭却可以基本无差错复制下来，请问这是怎么实现的？是生成 PDF 时就这么处理了还是 PDF 阅读软件的解析功能，有什么文档或者文章详细介绍这个格式吗

最后顺便求大佬推荐 java 的 pdf 识别框架,pdfBox iText xPdf spirePdf 都试过了，都有各种方面的缺点，希望知道更多选择

6 条回复 • 2020-01-18 02:12:12 +08:00

Vegetable

2020-01-17 14:25:06 +08:00

你可以用网页来理解，有些部分是文字，所以可以复制，比如 word 生成的 pdf。有些地方看起来是文字，但是实际上是图片，不容易直接复制，比如扫描仪扫出来的。
pdf 本身也是一种文档的形式，将多种类型的元素组织到一起，和网页的原理差不多。

heguangyu5

2020-01-17 14:35:45 +08:00

可以看下这本书, 详细了解下 pdf.

Pdf Explained https://www.amazon.com/PDF-Explained-Standard-Document-Exchange/dp/1449310028

java 的 pdf 相关软件不太了解,但 ubuntu 上的 pdf 阅读器什么的很多都是基于 Poppler 这个类库做的. https://poppler.freedesktop.org/releases.html

815979670

2020-01-17 15:13:03 +08:00

@Vegetable 我也发现了有一部分书确实是扫描图片无疑，但是人家可以复制不知道为啥

cigarzh

2020-01-17 15:54:39 +08:00

双层 PDF 而已

ljpCN

2020-01-17 19:44:11 +08:00

@815979670 扫描件可以 OCR 后制作成双层 pdf ；也可以把一个文档制作成 pdf，里面的文字都是矢量图形，但并不是双层，也就是不包含文本识别的信息也就不能选中。

slanternsw

2020-01-18 02:12:12 +08:00

Acrobet 打开编辑时会自动 OCR，如果确实是工整的印刷体那么可以接近 100%正确