用 Vision 把识别结果盖回 PDF

系统自带的识字走 Vision，不需要把图片上传到别处。从 iOS 13 和 macOS 10.15 起，VNRecognizeTextRequest 就在系统里，能识别中文和英文，可以离线跑，也可以挂在实时画面上。要把它用在 PDF 上，还得再加上 PDFKit：先把每一页变成图像，识别之后再按坐标盖回原来的页面。

每一页先栅格化再交给 Vision

一页先变成图像，再交给请求

PDFDocument(url:) 打不开文件时直接结束，不要对空文档发识别。多页用页码循环，pdf.page(at:) 取出 PDFPage。Vision 吃的是图像，不是 PDF 指令，所以每一页要先栅格化。对话里的写法是用页面的 mediaBox 做缩略图，再拿 cgImage：

swift

guard let cgImage = page.thumbnail(
    of: page.bounds(for: .mediaBox).size,
    for: .mediaBox
).cgImage else { return }

请求的回调里把 request.results 转成 [VNRecognizedTextObservation]。每个观察点取 topCandidates(1) 的第一条，那就是这一小块区域最可能的字符串。recognitionLevel 设为 .accurate，偏准确而不是偏速度。执行用 VNImageRequestHandler(cgImage:options:)，perform 放在 do/catch 里，失败时把错误打出来，不要让一页的失败变成整份文档的崩溃。

只收集字符串的那一版用了 DispatchGroup：每一页 enter，回调里 leave，全部完成后在主队列把字符串数组交出去。这一版没有坐标，适合“把全文导出成文本”。它也没有按页码上锁，并发回调往同一个数组 append，页与页的顺序不保证和文档一致。要按页展示，就不要只攒一个字符串数组。

坐标在 0 到 1 之间，而且 y 轴是反的

悬浮显示需要的是观察点的 boundingBox。Vision 的这个矩形是归一化的，原点在图像左下角，宽高都是 0 到 1 的比例，不是像素，也不是点。

对话里的覆盖层先做了 y 轴翻转：

swift

var rect = observation.boundingBox
rect.origin.y = 1 - rect.origin.y - rect.height
textLayer.frame = rect

翻转是对的，UIKit 和 AppKit 的视图坐标原点在左上角，不翻的话字会上下颠倒。但下一行把这个 0 到 1 的矩形直接写成了 CATextLayer 的 frame。图层的 frame 用的是父图层的点坐标。不乘上页面在屏幕上的宽高，所有字都会挤在左上角大约 1 点乘 1 点的区域里，看起来像识别失败，其实字已经画上去了，只是小到看不见。

正确的换算是翻完 y 之后，乘上当前页在视图里的宽和高。页面缩放、旋转之后这个尺寸会变，所以不能在识别完成时算死，要在布局变化时再乘一次。

覆盖层本身关掉交互：isUserInteractionEnabled = false，背景透明，这样点击仍然落到下面的 PDFView，用户还能选中和滚动原来的 PDF。文字层用红色、12 点、居中，只是为了让识别结果看得见，正式产品里可以改成可搜索的透明文字，而不是永远红着。

多页不要只留一层

单层覆盖只能对上当前这一页。翻页之后，上一页的框还留在屏幕上，或者新的一页没有框。多页版本用字典 [Int: CALayer]，键是页码。每一页识别完，把自己的文字层放进字典，不立刻叠到窗口上。

刷新跟 PDFView 的翻页通知走。NotificationCenter 监听 .PDFViewPageChanged，回调里先把覆盖层上的子图层清掉，再根据 pdfView.currentPage 找到页码，把对应的那一层加上。识别可以在打开文档时对所有页各跑一次，显示只渲染当前页。页数很多时，识别仍应放到后台队列，回到主队列只做加图层这一步，回调里已经是 DispatchQueue.main.async。

样本写成了 UIView，挂的是 iOS 的交互开关。macOS 上换成 NSView，坐标翻转和“按页码存图层、翻页再换层”是同一套，不要为了 macOS 再换一个识别框架。VNRecognizeTextRequest 两边都在 Vision 里。

先全文，再坐标，再按页显示

只想要文字，栅格化每一页，取第一候选的字符串即可，记得结果要按页码排序。要悬浮在原文上，就用 boundingBox，先翻 y，再乘视图尺寸，不能把 0 到 1 的数直接当 frame。多页用页码当键，翻页通知里只显示当前页的那一层。三步分开，才不会把“没识别到”和“识别到了但画在看不见的地方”混成一个问题。

归一化坐标要翻转后再乘尺寸

用一个假设矩形看清缩放

假设某个词的 boundingBox 是 x 0.10、y 0.20、宽 0.30、高 0.05，页面在视图里宽 600、高 800。Vision 的 y 从下往上，翻转之后原点 y 是 1 - 0.20 - 0.05 = 0.75。再乘视图尺寸，左边是 60，顶边是 600，宽度 180，高度 40。这四个数才是 CATextLayer 的 frame。对话里的代码做完翻转就停了，等于把 0.75 和 0.30 当成了点。图层会缩在左上角，红色的字只有一点点大。

识别级别用 .accurate 时，同一页会比快速模式慢，多页 PDF 更明显。所以字典按页码缓存图层是有意义的：翻回已经识别过的页，直接把那一层加上，不要再跑一次 Vision。缓存的是图层和当时的观察点。视图尺寸如果因为旋转或分栏改变了，旧的 frame 会错位，需要用保存下来的归一化矩形按新尺寸再乘一次，而不是把 CALayer 的像素帧当成永久坐标。

topCandidates(1) 只取第一名。第一名为空的观察点直接跳过。有的区域会返回空候选，那不是整页失败。整页失败是 perform 抛错，或者 cgImage 根本没生成。缩略图尺寸如果用了过小的边长，识别率会掉，坐标仍是 0 到 1，但字已经糊了。对话里用的是 mediaBox 的原始页面尺寸，这是比较稳的栅格化起点，不要为了快再除一个很大的系数。

并发收集纯文本的那版还有一个顺序问题。DispatchGroup 只保证全部完成，不保证 append 的顺序就是页码顺序。导出全文时要按页码装进数组的固定下标，完成后再拼起来。覆盖层那版用页码当字典键，已经避开了这个问题，显示时只查当前页。

样本是 iOS 的 UIView。macOS 上 PDFView 同样会发翻页通知，覆盖层改成不接收点击的 NSView，文字仍用图层。坐标系的翻转不要重复做两次：Vision 翻一次到视图坐标就够了。如果 PDFPage 自己还有旋转，要在乘尺寸之前把旋转考虑进矩形，否则横向页面上的字会整体偏到一侧。对话里的代码没有单独处理旋转页，横向扫描件需要在这一步补上，不能假装 mediaBox 永远是竖的。多页循环里，某一页 thumbnail 失败就跳过该页，不要中断后面的页。对话里的纯文本版本在拿不到图像时对那一页 leave 分组，避免 DispatchGroup 永远等不到。这个 leave 必须和 enter 成对，包括提前 return 的分支。少一次 leave，完成回调就不会来，界面会一直停在识别中。

覆盖层的文字只是调试用的可见标记。若目的是让系统的选择和搜索能用到这些字，红色的 CATextLayer 并不够，它不参与 PDF 的文本层。它解决的是“我看到识别框落在哪”。框的位置对了，再决定要不要把同一批字符串写进可复制的文本。位置不对时先修矩形，不要先换识别引擎。recognitionLevel 从准确改成快速，不会修好一个 0 到 1 的坐标错误。

翻页通知的观察者要在视图释放时去掉。样本里 addObserver 之后如果视图被反复创建，旧视图仍会收到 PDFViewPageChanged，往已经不在树上的图层加子层。多页文档来回翻时，这会表现为偶发的错层，而不是稳定地复现在第一页。