可以把文本都直接变成矢量图形，啥也提取不出来

【 在 ble 的大作中提到: 】
: 那是因为电子书的PDF本身比较规则啊，按说可以用些方法把版面重排，防止提取。
: 发自「今日水木 on 钛星」
--
FROM 125.33.245.*

很早就研究过，大约14、5年前指导某前雇主的员工开发了一个仿abbyy finereader的界面，调某合作方的ocr API来处理某种类pdf文档格式中的图片，把图片转成文字。

当时也考虑过从排版过的类pdf文档中提取文本的问题，首先是需要自动推断文件排版的算法，这个当时开发的人凑了一个，不怎么好使；另外，需要像ocr界面那样，人工逐页审核自动推断出的文本框位置和顺序是否合理，不合理的话需要干预

如果是那种已经转成矢量格式的文本，似乎没啥法子可以处理...

这里的一个根本问题是，从可编辑格式生成pdf格式的过程中，顺序信息实际上丢失了...

【 在 hgoldfish 的大作中提到: 】
: https://filingdb.com/b/pdf-text-extraction
--
FROM 125.33.245.*

这种有防篡改、防跑版的需求
pdf的问题只是排版前的各种语义信息丢失得比较厉害

【 在 sosei 的大作中提到: 】
: 就说不该把pdf这种格式用错地方
: 上市公司年报用pdf发布，真是差劲
:
--
FROM 125.33.245.*