档案数字化管理系统研发手记（二）：双层 PDF 生成实战——图像层 + 隐形文本层的完整实现

专栏第 2 篇。上一篇讲了 DA/T 31-2017 的九环节全流程，其中"图像处理"和"OCR/目录建库"之间有一个被很多同行忽略的衔接产物：双层 PDF。这篇把我们的实现方案、完整代码和踩过的坑都放出来。

一、什么是双层 PDF，为什么档案场景必须用它

把一张扫描图直接存成 PDF，你得到的是"一层皮"------只有图像层，看起来是文档，但里面没有一个字，搜不到、复制不了、选不中。

档案数字化的利用场景恰恰全是"要字"的：

• 查档系统里搜"某某项目"要能命中这份文件；
• 律师调阅时想复制一段判决书原文；
• 用户按页打印时又要保持原貌，不能是重排的文本。

"原貌 + 可检索"两个要求同时满足，解决方案就是双层 PDF：图像层保留扫描原貌，隐形文本层承载 OCR 识别结果。人眼看到的永远是图像，搜索引擎和文本工具拿到的永远是文字层。

行业里管这个叫"OCR 全文本 PDF"或"检索 PDF"，档案验收和档案局接收系统对它的接受度已经非常高。对我们的系统来说，双层 PDF 是 OCR 能力的"交付形态"------识别结果不落成文字层，OCR 就等于白做。

二、三条技术路线对比

我们调研并实测过三条路线，工程取舍如下：

路线	实现方式	优点	缺点	我们的结论
A. ocrmypdf	开源命令行工具（tesseract + ghostscript）	开箱即用、参数齐全	中文识别依赖 tesseract 模型，坐标可控性弱	快速原型可用，生产不采用
B. PaddleOCR + reportlab	自研管线，OCR 出坐标，reportlab 写隐形文本层	坐标完全可控、中文识别质量最好	要自己处理坐标系、字体、批量并发	生产主方案
C. PyMuPDF（fitz）	直接在 PDF 上叠文本对象	免重绘图像、速度快	隐形文本属性设置繁琐，和 OCR 输出对接要自己写	适合给已有 PDF 补文字层

下面给出主方案 B 的完整实现，以及方案 C 的补充代码。

三、主方案：PaddleOCR + reportlab

3.1 整体思路

扫描图 → PaddleOCR（出文本 + 坐标框） → 坐标换算（图像像素 → PDF 点）
      → reportlab 画图像层 → 叠加隐形文本层 → 输出双层 PDF

核心难点只有一个：坐标系换算。图像坐标系原点在左上角、Y 轴向下；PDF 坐标系原点在左下角、Y 轴向上。OCR 返回的每个文本框坐标都要翻转到 PDF 坐标，否则文字层会跑到镜像位置，复制出来的文字顺序还是反的。

3.2 完整代码

"""双层 PDF 生成器：PaddleOCR 识别 + reportlab 隐形文本层
运行环境：Python 3.9+，pip install paddleocr reportlab pillow
"""
from paddleocr import PaddleOCR
from PIL import Image
from reportlab.pdfgen import canvas
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.cidfonts import UnicodeCIDFont

# 关键点：中文必须注册 CID 字体，否则隐形文本层无法嵌入中文字形，
# 用 Helvetica 画中文会全部变成空白占位，复制出来是乱码。
pdfmetrics.registerFont(UnicodeCIDFont("STSong-Light"))

ocr = PaddleOCR(use_angle_cls=True, lang="ch", show_log=False)

# 默认识别结果结构：
# result[0] = [ [[x1,y1,x2,y2...4点坐标], (文本, 置信度)], ... ]
# 每个文本框是 4 个角点的坐标列表 [左上, 右上, 右下, 左下]


def _image_dpi(img_path: str) -> int:
    """读取扫描图的元数据 dpi，取不到就按 300 兜底（PDF 点换算用）。"""
    with Image.open(img_path) as im:
        dpi = im.info.get("dpi")
        if dpi and dpi[0] > 0:
            return int(dpi[0])
    return 300


def build_double_layer_pdf(img_path: str, pdf_path: str) -> None:
    result = ocr.ocr(img_path, cls=True)
    lines = result[0] if result else []

    with Image.open(img_path) as im:
        w_px, h_px = im.size
    dpi = _image_dpi(img_path)

    # 像素 → PDF 点（1 英寸 = 72 点）
    w_pt = w_px * 72.0 / dpi
    h_pt = h_px * 72.0 / dpi

    c = canvas.Canvas(pdf_path, pagesize=(w_pt, h_pt))

    # 1) 图像层：原貌
    c.drawImage(img_path, 0, 0, width=w_pt, height=h_pt)

    # 2) 隐形文本层：render mode 3 = 不渲染可见字形，仅用于提取
    for line in lines:
        box, (text, conf) = line[0], line[1]
        xs = [p[0] for p in box]
        ys = [p[1] for p in box]
        x_pt = min(xs) * 72.0 / dpi
        # 图像原点在左上 → PDF 原点在左下：Y 轴翻转
        y_pt = h_pt - max(ys) * 72.0 / dpi
        font_size = (max(ys) - min(ys)) * 72.0 / dpi
        if font_size <= 0 or conf < 0.6:   # 低置信度不落文字层，避免污染检索
            continue

        c.setFont("STSong-Light", font_size)
        t = c.beginText(x_pt, y_pt)
        t.setTextRenderMode(3)   # 隐形
        t.textOut(text)
        c.drawText(t)

    c.showPage()
    c.save()
    print(f"[ok] {img_path} -> {pdf_path}（{len(lines)} 个文本块，{w_px}x{h_px}@{dpi}dpi）")


if __name__ == "__main__":
    import sys
    build_double_layer_pdf(sys.argv[1], sys.argv[2])

用法：

python double_layer_pdf.py 扫描件.png 双层结果.pdf

3.3 批量流水线

单页跑通后上批量，我们直接按"页"做多进程（图片处理是 CPU 密集，进程池比线程池合适）：

from multiprocessing import Pool
from pathlib import Path

def process_one(page: Path, out_dir: Path) -> None:
    build_double_layer_pdf(str(page), str(out_dir / (page.stem + ".pdf")))

def batch(src_dir: Path, out_dir: Path, workers: int = 4) -> None:
    out_dir.mkdir(parents=True, exist_ok=True)
    pages = list(src_dir.glob("*.png")) + list(src_dir.glob("*.jpg"))
    with Pool(workers) as pool:
        pool.map(lambda p: process_one(p, out_dir), pages)

四、三个必须处理的坑

代码能跑只是开始，这三点不处理，生产环境必翻车：

坑 1：中文隐形文字层是乱码

不注册 UnicodeCIDFont 直接用 Helvetica 画中文，视觉上没问题（反正隐形），但复制出来全乱码 ，等于文字层白做。这也是为什么很多"看起来做了双层 PDF"的产品验收时一复制就露馅。务必用 pdfmetrics.registerFont(UnicodeCIDFont("STSong-Light"))。

坑 2：坐标 Y 轴翻转漏掉

图像左上原点 → PDF 左下原点，Y 必须翻转。漏翻转的症状是：检索能命中，但复制出来文字顺序是反的、选中区域错位。测试时用 PDF 阅读器的"选择文本"功能逐页抽查，选中的矩形区域应该和文字位置对得上。

坑 3：低置信度文本全塞进去

把 OCR 的"幻觉文本"（置信度 0.3 的噪声）也写进文字层，检索时会搜出一堆根本不存在的内容------档案检索出错误结果比搜不到更严重。我们的策略：置信度低于 0.6 不落文字层，宁可少搜到，不可搜错。

五、性能与成本参考

我们的实测口径（具体数据因机器和页面密度而异，仅供参考）：

配置	单页耗时（300dpi A4）	说明
CPU（8 核）PaddleOCR	约 2~4 秒/页	并发 4 路后约 1 秒/页折算
GPU（单卡）PaddleOCR	约 0.3~0.8 秒/页	适合 30 万页以上大项目

存储上，双层 PDF 相比纯图像 PDF 增量通常在 5%~15%（文字层是矢量文本，几乎不占空间），完全可接受。

六、方案 C 补充：给已有 PDF 补文字层

如果你手头已经是单层图像 PDF（比如从扫描仪直出的 PDF），用 PyMuPDF 补文字层更划算，不用重新渲染图像：

import fitz  # PyMuPDF

def add_text_layer(pdf_path: str, out_path: str, text_items: list) -> None:
    """text_items: [(x_pt, y_pt, font_size, text), ...]，坐标已是 PDF 左下原点"""
    doc = fitz.open(pdf_path)
    page = doc[0]
    for x, y, size, text in text_items:
        page.insert_text(
            fitz.Point(x, y), text,
            fontname="china-s", fontsize=size,
            render_mode=3,   # 隐形
            overlay=True,
        )
    doc.save(out_path)

注意 PyMuPDF 的 china-s 内置字体同样是为了中文提取正确性。

七、小结

双层 PDF 是个"小功能、大讲究"的活儿：代码量不大，但坐标系、字体、置信度三个细节决定成败。总结成一句话口诀：

原图铺底，坐标翻转，中文字体，低置信度丢弃。

下一篇讲我们做过的一个 30 万页高校学籍档案数字化项目复盘------那里有一堆比技术更疼的坑。

---