尝试使用 .NET/C# 对 PDF 进行 OCR 时出现问题

Question

1. 旧版本的 Adob​​e PDF 用于以一种特定方式区分可搜索 PDF/图像 PDF。在可搜索的 PDF 中，您可以选择仅文本和图像 pdf，当您尝试选择灰色文本框时会出现（未选择文本）。这是之前的经验法则。但现在有了 Adob​​e DC，这种情况发生了变化。 Adobe DC，即使是图像 pdf/s（不可搜索的 pdf），也允许您选择文本。但是如果您尝试复制和粘贴，它不会粘贴您复制的内容，您会得到一些特殊字符。知道为什么 Adob​​e DC 会这样做吗？现在找出什么是可搜索的pdf和什么是图像pdf（非ocr pdf）的拇指规则是什么？

2. 一些非 OCR pdf 文档在尝试进行 OCR 时出现“可渲染文本”错误，并且这些页面的 OCR 失败。消除此“此页面包含可呈现文本”错误的最佳方法是什么，以及对此类页面进行 OCR 的最佳方法是什么。

3. 如何在 C# 中以编程方式 OCR pdf 文档？如果这需要更多时间，有什么方法可以处理会话超时？无论如何要在后台进行 OCR 并在最后发送给用户（想法是不要将用户保留在前端，并且在处理完成后仍然以某种方式将创建的文件传递给提交者）。

Answer 1

1. 如果 PDF 页面包含没有文本的图像，则从中获取文本的唯一方法是使用 OCR。 Adobe Acrobat DC 和一些早期版本的 Acrobat 都具有 OCR 功能，但据我所知，您只能 OCR 一个或多个页面，而不是一小部分。
   这意味着，如果您有一个图像，并且 Acrobat 允许您在不显式运行 OCR 的情况下从中选择文本，则很可能该文件已经包含图像上的图像或图像上的隐藏文本。如果文本在复制和粘贴时出现乱码，则可能是它在 OCR 和保存时的存储方式。发生这种情况的原因可能是文本质量不够好，无法进行 OCR，或者用于执行 OCR 的软件质量低劣，无法正确获取字符。

2. 如果您尝试 OCR 并得到“页面包含可渲染文本”错误，这意味着文件已经包含文本。同样，文本可以被隐藏，但它就在那里。以下文章对此进行了详细说明：
   https://helpx.adobe.com/acrobat/kb/error-could-perform-recognition-acrobat.html

3. 有几个 SDK 支持使用 C# 打开和 OCRing PDF 文件。 StackOverflow 的这个区域不是寻求建议的地方。请改用https://softwarerecs.stackexchange.com/。