PDF對企業應用來說是剛需。
然而PDF顯然不是一種對機器友好的格式，它只是對人類友好，就是說方便閱讀列印，但讓程式去提取其中的內容卻很難。下面簡單說說為什麼是這樣。
以前還讀書的時候(20+年前了)，一個同學跟我展示了PDF文件，他說這種格式不是普通的文字，它是圖片，所以比較大。其實他說的並不完全正確，pdf中可以包含圖片，也可以包含文字，且其中的文字跟傳統的點陣圖還真是不一樣。那麼PDF中的內容究竟是什麼？
以增值稅普通發票的電子檔為例，相信大家手頭都有，對，就這個：
上面的文字究竟是圖還是文字？上面的印章是不是點陣圖？
判斷是不是點陣圖很簡單，就是用一個PDF閱讀器開啟，Adobe的或者福昕的都行，選擇“Select”工具，看看上面的文字能否選中。你很快就發現，不光上面的楷體字、宋體字能選中，印章裡的文字居然也能選中，並且能複製下來，你把複製下來的文字貼到記事本里，這就是普通的文字。
這是不是就說明PDF裡的文字就是我們常規理解的文字呢？其實沒那麼簡單，PDF的一個特性就是不管處於怎樣的環境，PDF都能顯示出完整的、一致的內容。這意味著這張發票放到一個完全不支援中文的系統中，它也能顯示出上面的漢字，並且效果完全一直，當然也包含了不同的字型，楷體，宋體，都沒問題，這就比較厲害了。
其實原理也不難，那就是把字型資訊直接嵌入到PDF檔案內部。也許你覺得不對，我一箇中文宋體的字型檔就有超過10MB了，而我的PDF才幾百K，怎麼可能？——要做到這點也不難，只嵌入部分即可。用福昕的PDF閱讀器開啟這張電子檔發票，選單"File" - "Properties" - "Fonts"，你會看到這樣的資訊：
KaiTi，很明顯是楷體，SimSun這是宋體，STSong則是華文宋體，而且編碼格式都有，上面的UniGB-UCS2-H是什麼編碼格式我不太清楚，可能是Unicode，UC應該是Unicode的簡寫。
這裡順便提個事情，就是字型的侵權問題，如果在自己生成的PDF中嵌入字型廠商未授權的字型，很可能會造成侵權！而如果你做了一個網頁，網頁上指定了用未授權的字型(如微軟雅黑)顯示一段文字，這樣則不會造成侵權，原因在於你並沒有在網頁上嵌入微軟雅黑，你只是告訴使用者的瀏覽器，這段文字建議用微軟雅黑顯示，使用者看到的微軟雅黑字型還是使用者自己電腦提供的，跟你沒有關係，所以不會造成侵權，侵不侵權在於你是否二次“釋出”了這個字型。其實要避免侵權也不難，對我們來說，用可免費商用的字型即可，目前還不少，如Google的Noto系列，華為鴻蒙Sans、阿里巴巴普惠體以及小米最近釋出的MiSans，這些都是可以免費商用的。
字型，本質上來說是向量圖，當然過去也曾經有過點陣字型，但現在基本算是淘汰了，向量圖一個特點是無論你放大多少倍，它都不會失真或出現馬賽克，所以一定要我說PDF中儲存的文字到底是圖還是字，那我就說，那是向量圖，這肯定是正確的，因為如今的字型本質上就是向量圖嘛。
而PDF中除了字之外，別的你能看到的很多的元素，其實也都是向量圖，如表格的線條，印章的圓圈這些，要證明也很簡單，使勁放大，看看有沒有失真出現馬賽克或者模糊即可。
當然了PDF中還可能有點陣圖，判斷方法還是上面提到的，放大來看。
PDF的文字的組織形式與我們txt，word或是html都不太一樣，舉個例子，你開啟PDF看到的兩個挨在一塊的文字，如“力量”，這兩個字你覺得它是一個連在一起的詞，其實未必，很可能它是通過兩個不同的座標來指定的，從文件結構上來說，你讀取“力”字，不意味著它的下一個元素就一定是“量”字，儘管視覺上是這樣。這就給我們提取PDF的文字資訊帶來很大的挑戰，我們很難通過直接分析PDF的文件結構提取其中的文字，比較穩妥的方法還是得通過顯示的結果來獲取內容，是的，就是OCR的路線。但即便要使用OCR的路線，也是問題很多，下面這個例子就反映了一個很典型的問題：
閱讀器顯示的“μ”和“接”中間的這個符號在我看來很像一個豎線，即“|”，而實際上它卻是英文字母“l”，用閱讀器複製到記事本中可以證實這點，確實是字母“l”，只不過Windows10種的字母“l”顯示得跟數值“1”一模一樣，真是令人無語，如果使用OCR的方式，字母“l”很可能就被識別為豎線，或者字母“I”(大寫的i)，還有就是“μ”這種希臘字母，在OCR中直接被識別成了英文字母“u”，這就很明顯有問題了，對於需要精確匯入資訊的企業應用來說，這顯然是不行的。
另一個問題也在上圖中有體現，就是對空格的理解，福昕閱讀器複製出來的內容中包含了一個空格，而別的沒有，究竟有沒有這個空格，這個很難說，就像我在黑板上寫了兩個字，間隔遠點就算有空格，間隔近了就沒有空格，可這個遠和近如何界定，這個就比較難辦了。
我曾經做過一套PDF內容提取的框架，能通過一些配置資訊嘗試從PDF中提取文字內容，但遇到了很大的麻煩，就如上面提到的那樣，兩個看上去連貫的文字，讀出來的先後順序是沒法保證的，繞來繞去還繞回了OCR的路子，但OCR也是問題不少，總得來說，對於需要精準資訊提取的應用來說，真是最好別用PDF了。——但話雖然這麼說，客戶可不一定能理解，做和不做也不完全由得技術說了算，現實如此也……