校对双层PDF中的隐藏文本.pdfVIP

校对双层PDF中的隐藏文本 首页-大浪淘沙 校对双层PDF中的隐藏文本 作者：马健 邮箱：stronghorse_mj@ 主页：/stronghorse 发布：2012.06.11 目录 事先声明：本文所谈校对方法仅适用于DjVuToy、FreePic2Pdf、Pdg2Pic所生成的双层PDF ，对其他 软件生成的双层PDF无效，不喜勿进。 一、背景 随着在DjVuToy、FreePic2Pdf、Pdg2Pic 中均支持双层PDF ，一个必然要问的问题是：如何对双 层PDF进行校对？原因无他，双层PDF都是基于OCR技术的，而OCR百分百无错是不可能的，至少目 前是完全没有可能的。 目前双层PDF 的校对方法大体上有两种： 1、基于XML 的校对 这种方法的核心思想是：把双层PDF 中的隐藏文本导出，然后对文本进行校对，再导入回去。由于 隐藏文本除了文本字符串外，还有显示位置、显示比例等信息，因此只用纯文本文件难以表述， 而XML文件表达得更全面一些，故多用XML 。 这种方法其实在DjVuToy中也被我用来校对双层DjVu ，所以对其弊端早有体会：编辑文本固然容 易，但想更改文字位置、字体大小却很困难。但要想保持隐藏文本与底图的一致性，在编辑文字后 对文字显示位置或显示比例进行更改也是必不可少的。 DjVu格式由于其天然缺陷（详见我写的《DjVu、PDF 中的隐藏文本》），再加上工具缺乏，采用导 出、导入的方法那是迫不得已，PDF如果还来这一套，未免太不与时俱进，恐怕会被行家所笑话。 2、基于PDF编辑工具的校对 与孤寒的DjVu相比，由于PDF文件的广泛流传、深入人心，各种PDF工具如今是层出不穷，其中自然 有一些能够直接对PDF 中的文字进行编辑的工具。双层PDF 中的文本由于是隐藏文本，因此通常不能 直接用这些工具进行编辑，需要先把隐藏文本显示出来后才能编辑，编辑完成再隐藏回去。 与基于XML 的校对方法相比，用PDF编辑工具直接校对双层PDF 的文本，不仅编辑过程比较直观，而 且调整文字显示位置、显示比例也比较容易，鼠标拖一下即可。因此 在DjVuToy、FreePic2Pdf、Pdg2Pic 中均针对这种校对方法提供辅助工具，辅助完成校对过程中所需 的“ 显示隐藏文本”、“ 隐藏校对过的文本”等功能，本文下面也仅针对这种方法进行阐述。 二、能够校对的PDF需要满足的条件 前面一再强调“仅针对DjVuToy、FreePic2Pdf、Pdg2Pic所生成的双层PDF” ，原因在于不是什么样的 双层PDF都可以用PDF编辑工具进行校对的——在我看来，以下几个关键技术点决定了校对的难易程 度： 1、采用内嵌字体还是外挂字体？ file:///D|/mm/proofpdf.htm[2012/6/10 11:22:11] 校对双层PDF中的隐藏文本 PDF 中的文字允许使用内嵌字体，也允许使用外挂字体，相对来说采用外挂字体的更易于校对：内 嵌字体为减小文件长度，通常只嵌入所需用到的文字的字形，用不到的就不嵌入了。在这种情况下 如果想增加一个原来没有的字可就麻烦了。而外挂字体则不受此限制，只要外部字体文件中有字形 的文字，都可以加入进来。 当然外挂字体的平台兼容性比外挂字体略差：找不到字体的时候自然就不能显示。不过这个问题的 影响和解决方法在我看来不是啥大问题，在简体中文环境下更没有问题。 所以一项技术的选择有时候没有对错之分，只有侧重点的不同：Acrobat侧重于“平台兼容性” ，所以 选择了内嵌字体；我的三个软件考虑“ 校对”、“文件长度”、“ 实现难易程度”等，就选择了外挂字体。 2、“ 字压图”还是“ 图压字” ？ 对于双层PDF来说，隐藏文字在顶层，扫描图像在底层的是“ 字压图” ，否则就是“ 图压字” 。在实际中 两种路线都有人采用：Acrobat 生成双层PDF采用的是字压图，deent75采用的是图压字。在我看 来，采用字压图路线的双层PDF更便于校对：如果采用字压图，图像显示出来后还能看到上层的文