文本层

文本层是嵌入文档的机器可读文字，通常位于可见页面图像的后方。它让软件可以搜索、选择和访问文档内容。

文本层与可见文字

原生数字文档由文字处理软件、浏览器或设计工具创建，通常在原始文件结构中就包含文字。这些文字本来就能由机器读取。

扫描或图像文档中的文本层则不同。它通常由 OCR 在之后添加，让软件能够处理原本只以像素存在的文字。两份文档在屏幕上可能看起来完全相同，但一份包含原生数字文字，另一份则依赖 OCR 生成的文本层。

实际区别在于：原生数字文件可以直接选择和搜索文字；没有文本层的图像文件则不能，无论人眼看起来多么清楚。

哪些场景需要文本层

文档不能只靠视觉阅读时，就需要文本层：

• 可搜索 PDF——文本层让 PDF 能够搜索。没有它，在文档中查找不会返回任何结果。
• 无障碍访问——屏幕阅读器依赖文本层朗读内容。对于辅助技术而言，纯图像文档实际上不可见。
• 文档索引——搜索引擎和文档管理系统索引的是文本层，而不是页面图像。
• 复制和粘贴——扫描件或截图只有在包含文本层时，才能选择和复制其中的文字。
• 截图 PDF 导出——把截图导出成 PDF 时，文本层可以让其中的文字日后能够引用和搜索。

如何创建文本层

有两种方式。原生数字文档会自动包含文本层，这是文件创建方式的一部分，无需额外处理。

扫描件、照片和截图等图像文档则必须另行添加文本层。最常见的方式是 OCR。识别引擎读取页面图像，找出字符和词语，再把结果作为隐藏文本层嵌入可见内容后方。

有些截图工具也通过这种方式生成可搜索的导出文件：在导出时运行 OCR 并嵌入文本层，无需用户日后再使用其他工具处理。

文本层的常见错误

• 以为外观清楚的文档一定有文本层。 页面即使看起来十分清晰，也可能只有图像。只有尝试选择或搜索文字，才能确认。
• 把文本层当作 OCR 的同义词。 两者联系紧密，但并不相同。OCR 是识别过程，文本层是嵌入文档的结果。
• 期待文本层保留视觉布局。 文本层保存文字及其在页面上的大致位置，不保存格式、颜色或视觉结构。它用于搜索和选择，而不是重现布局。
• OCR 后没有验证文本层准确性。 OCR 并不完美。图像质量差、字体特殊或多栏布局复杂时，文本层可能包含识别错误。