PDF OCR 文字校正

修正谁也看不见的东西

做过 OCR 的扫描 PDF，把扫描件作为图像保存，把识别出的词作为不可见文字叠在上面。识别程序把某个词认错时，图像看起来依然完美 —— 静悄悄出问题的是搜索、复制粘贴和屏幕阅读器。

这个工具编辑的正是那一层隐藏内容。扫描图不会被重新编码、重新压缩或重新绘制。

文件是怎样被修改的

页面内容流是一串操作符：有的绘制扫描图像，有的负责定位和显示文字。工具会解析这串操作符，并且只替换不可见文字操作符中的字符串操作数。其余每一个字节的含义都被保留 —— 定位操作符、图形状态，以及绘制扫描图的那个操作符，都原封不动地通过。

这正是校正后的页面不可能位移、模糊或被重新压缩的原因。这不是一句承诺，而是「什么都不重新生成」带来的必然结果。

看得懂的验证

写入完成后，工具会重新打开结果文件，并对每个被修改的页面执行三项检查：

1. 文字 —— 文字提取器现在返回的正是校正后的词。
2. 不可见性 —— 文字层仍以渲染模式 3 绘制，且可见字形的数量没有变化。
3. 像素 —— 校正后的页面被渲染出来，与原始渲染逐像素比对，改变比例应为零。

无论通过与否，这三项结果都会在下载前展示出来。

什么时候会拒绝

有些页面无法安全重写：内容流使用了无法解码的过滤器，或者某个文字块把可见与不可见字形混在一起，以致无法保证可见部分完好。这些页面会被逐一点名拒绝，并保持原样。拒绝才是正确的做法；悄悄交出一个损坏的文件不是。

PDF 字体无法表达的字符同样如此：在可行的情况下会嵌入一款标准 Helvetica 来承载替换内容；当这仍不足够时，该处修改会被跳过并明确列出。

隐私

解析、编辑、保存与验证全部在你的浏览器内完成，PDF 绝不会被上传。