Man kann OCR so verstehen, dass semantische Informationen den Zeichen und Wörtern hinzugefügt werden, welche sonst nur Formen (Glyphen) enthalten würden. Ob oder nicht Zeichen solche Semantiken enthalten wird oft beschrieben durch die Unicode Darstellung: Wenn es also eine Semantik besitzt, dann existiert auch ein Unicode Zeichen für das entsprechende Zeichen (Glyphen).

Die meisten PDFs besitzen, nicht zuletzt die Zeichen selbst, schon eine Unicode Darstellung, ausser diese wurden eingescannt von Papier. Mit Ausnahme, dass die PDF Erzeuger nicht sorgfältig genug sind, wie sie eigentlich sein müssten und dann bestimmte Zeichen einfach überspringen. In solchen Fällen würde eine erneute vollständige OCR zusätzliche Unicode Informationen anfügen, auch bei jenden wo diese Informationen bereits vorhanden sind. Die ist eigentlich keine großes Problem für Text Suche oder beim kopierenvon Text aus der PDF, dennoch, bei einer vollständigen Textextraktion aus der PDF könnten doppelte Absätze mit dem selben Inhalt entstehen. Es wäre daher besser nur jene Passagen über OCR erkennen zu lassen, die noch keine Unicode Informationen enthlaten. Der Prozessplan von diesem einleitenden Artikel macht genau das.