如何将Google Cloud Vision生成的OCR JSON嵌入PDF使其可检索？

核心结论 #

hOCR文件本身不能直接嵌入PDF，但可以基于hOCR里的文本和位置信息，为PDF生成隐藏文本层，让原本的扫描件PDF变成可检索的文本PDF。

具体实现路径 #

1. 直接用原始OCR JSON（更高效）

既然你已经有包含位置、文本的JSON输出，没必要绕hOCR，可以直接解析JSON提取关键信息：

• 提取每个文本片段的内容、对应的页面坐标（注意：hOCR/Google Vision的坐标原点在左上角，而PDF的坐标原点在左下角，需要做y轴坐标转换：PDF页面高度 - hOCR的y坐标）。
• 使用PHP的PDF处理库（如TCPDF、FPDF）加载原PDF，在对应坐标位置添加不可见文本：
  • 示例代码逻辑（以TCPDF为例）：

    // 初始化TCPDF并导入原PDF页面
    $pdf = new TCPDF();
    $pageCount = $pdf->setSourceFile('original.pdf');
    $tplIdx = $pdf->importPage(1);
    $pdf->AddPage();
    $pdf->useTemplate($tplIdx);
    
    // 解析OCR JSON
    $ocrData = json_decode(file_get_contents('output-1-to-2.json'), true);
    $pageHeight = $pdf->getPageHeight(); // 获取PDF页面高度
    
    // 遍历文本块添加隐藏文本
    foreach ($ocrData['responses'][0]['textAnnotations'] as $anno) {
        if (isset($anno['description']) && isset($anno['boundingPoly']['vertices'])) {
            $text = $anno['description'];
            // 获取文本块左上角坐标
            $x = $anno['boundingPoly']['vertices'][0]['x'];
            $y = $pageHeight - $anno['boundingPoly']['vertices'][0]['y'];
            // 设置文本颜色为白色（和背景一致，实现隐藏）
            $pdf->SetTextColor(255, 255, 255);
            // 设置字体大小匹配文本块高度
            $pdf->SetFont('helvetica', '', 10);
            // 在对应位置输出文本
            $pdf->Text($x, $y, $text);
        }
    }
    
    // 保存带文本层的PDF
    $pdf->Output('searchable.pdf', 'F');
    

2. 基于hOCR文件转换

如果想用已生成的hOCR，可以借助命令行工具hocr2pdf，PHP通过调用系统命令完成转换：

• 确保服务器安装了hocr2pdf（属于ocrmypdf工具链的一部分）
• PHP执行命令的示例：

  $originalPdf = 'original.pdf';
  $hocrFile = 'output.hocr';
  $outputPdf = 'searchable.pdf';
  // 调用hocr2pdf生成可检索PDF
  exec("hocr2pdf -i $originalPdf -o $outputPdf < $hocrFile");
  

注意事项 #

• 坐标转换必须准确，否则文本检索会出现位置偏移。
• 对于多页PDF，需要循环处理每一页的OCR数据或hOCR内容。
• 如果使用命令行工具，要确保PHP进程有执行权限，且工具路径正确。

内容的提问来源于stack exchange，提问作者sariDon