Премахване на PDF текст

Да вземем два PDF файла: един създаден с текстов процесор, като MS Word, например, и един сканиран документ. И двата файла завършват с разширение .pdf. Тези файлове обаче не са еднакви. Ако отворите PDF файла, създаден с вашия текстов процесор, можете да натиснете CTRL + F, да въведете думите, които търсите, и софтуерът за гледане на PDF файл ще подчертае резултатите от документа.
Но опитайте да изберете или търсите текст в PDF, създаден от софтуера на вашия скенер, когато сканирате документи на хартия, това не е възможно. Това е така, защото сканираният PDF документ не е базиран на текст; той е базиран на изображение. Този тип PDF се нарича a PDF растер и скоро тя ще се превърне в стандартен формат за съхранение, транспортиране и обмен на сканирани документи
И тогава има векторни PDF файлове, често създадени от CAD формати или програми за графичен дизайн като Adobe Illustrator.

Текстът е независим елемент в родните PDF файлове. Може да видите текстови знаци в PDF файла, но тези символи не са непременно PDF текстови елементи. Как можете да определите разликата?
Както току-що видяхме, текстът може да бъде растерно изображение на текст или векторно изображение на текст. Във всички случаи изглежда като текст, но компютърът не го разпознава като такъв и не може да го избере или търси.
Текстът, създаден от текстовия процесор, не е нито растер, нито векторно изображение, а (адекватно) се нарича Real Text или PDF Text Element. Реалният текст може да се търси и избира. Изглежда рязко дори при увеличение, напротив на векторния текст, който изглежда на бучка, и растерния текст, който е пикселизиран.
Както в Магрит известна живопис, в света на PDF, изображението на текст не е същото нещо като самия текст.

За да направите текста на сканиран документ за търсене, трябва да го стартирате чрез OCR. Този процес добавя слой от невидим текст в PDF, така че OCR двигателят може да разпознава символите и да „чете“ текста. Този текст не се използва по време на печат или преглед на PDF документа и е невидим за потребителя.
Защо трябва да премахнете скрития текст на PDF? Понякога сканираният текст, който е OCRed, не се показва добре в зрителя. В някои случаи трикът е да премахнете скрития текст и да обработите отново документа с друг инструмент (например AvePDF OCR PDF ).
Възможно е също така, че двигателят на OCR, който използвате, трябва да бъде актуализиран и искате да обработите отново документите си или да преминете към друг инструмент с по-добра производителност. Последното съображение, ако запазите като PDF / OCR партида документи, които включват вече OCRed файлове, файлът с резултатите ще бъде по-тежък.