لایه متن

یک PDF دیجیتالی از ابتدا هم رسم هر گلیف را دارد و هم رکوردی از این که آن گلیف نمایانگر کدام کاراکتر است. جستجو کار می‌کند زیرا مورد دوم وجود دارد. یک صفحه اسکن‌شده فقط تصویر را دارد — از نظر بصری یکسان، اما از نظر عملکردی بی‌اثر.

این رایج‌ترین منبع سردرگمی در پروژه‌های جستجوی اسناد است. «جستجو در این فایل‌ها کار نمی‌کند» تقریباً همیشه به معنای «این فایل‌ها اسکن شده‌اند» است و هیچ مقدار تنظیم موتور جستجو این را تغییر نمی‌دهد. راه‌حل OCR است که عملیاتی متفاوت و به‌مراتب گران‌تر است.

قالب‌های اداری مورد آسان هستند: یک DOCX یا XLSX به‌صورت ذاتی متن ساختاری دارد، بنابراین لایه متن هرگز زیر سؤال نمی‌رود.