有些 PDF 文件是通过扫描纸质书页生成的，这类文件有其独特的特点。有时，原始书籍是唯一可用的版本，因此只能通过扫描的方式获取内容。
如何识别 OCR PDF 文件？
你通常可以从外观上辨别 OCR PDF 文件——页面上的文本看起来像“锯齿状”的位图，而不像矢量图形渲染的文本那样平滑。如果不确定，可以查看 PDF 的“属性”中的“制作工具”或“创建者”信息（例如 Abbyy FineReader 是一个常见的 OCR 处理软件）。
OCR PDF 文件包含什么？
扫描页面时，OCR（光学字符识别）软件会识别文本并转换成可编辑的字符，但这个过程并不总是 100% 准确。识别错误可能由扫描质量差、文本倾斜、字体相似度高等因素导致。为了掩盖这些问题，PDF 生成工具通常会将识别出的文本隐藏在图像后面。这样，页面在视觉上仍然看起来“完美”，但当你尝试搜索或复制文本时，可能会发现识别错误。
通常，OCR PDF 的每一页都会被保存为一个高分辨率的黑白或灰度图像，同时嵌入 OCR 识别出的文本。
这为什么重要？
这对 PDF 用户有两个主要影响：
• 文件体积较大——因为它既包含高分辨率扫描图像，又包含 OCR 识别的文本数据。此外，页面上的真实图片（如标志或插图）也会增加文件大小。
• 文本可能不可搜索或存在错误——虽然页面看起来与原始书籍一致，但 OCR 识别的文本可能不准确，影响搜索和复制功能。
在某些情况下，OCR 处理的 PDF 文件是唯一可用的版本，例如 Google 正在大规模扫描许多旧书籍，其中不少是在计算机出现之前印刷的。因此，虽然 OCR PDF 文件在很多情况下是必不可少的，但如果可以选择“原生” PDF（直接生成的电子版，而非扫描版），它的可用性通常会更高。
我们的主页：PDF 转 HTML5、Java 图像库、Java PDF SDK - IDRsolutions