iOS - 区分PDF中的背景文本（水印）和真实文本

Question

我有一个 pdf 背景有水印。当开始扫描以在背景上突出显示任何带有水印或注释的单词时，它会被选中，因为它首先在触摸区域中找到。

我正在使用 CGPDFScanner 扫描文本。

我的问题是如何检测扫描的文本是背景文本还是 PDF 中的真实文本？如何区分标准文本和注释文本？

谢谢。

Answer 1

一般来说，您没有机会可靠地区分 "background" 和 "real" 文本。文本按某种顺序绘制在页面上的某处，前景、背景、普通文本……是人类感知的问题，可能根本不会反映在 PDF 内容流的结构中。

您可以尝试一些有根据的猜测，例如假设 "real" 文本颜色较深，而背景文本颜色较浅，或者 "real" 文本排列成水平线，而背景文本通常更斜，等等。但这毕竟是猜测，没什么值得信赖。

另一方面，如果是带标签的 PDF，水印可能会被标记为工件数据。

PS 我刚看到你又分享了你的文件。对于您的文档，我提到的启发式方法会起作用，背景文本呈灰色并沿对角线打印。

因此，在扫描时您必须跟踪填充颜色 and/or 变换矩阵。一旦扫描仪找到文本，您就会根据当前颜色 and/or 矩阵值知道它是背景还是前景。

但请注意，并非所有文件都那么容易。