Fjern PDF-tekst

Lad os tage to PDF-filer: en oprettet med en tekstbehandler, f.eks. MS Word, og et scannet dokument. Begge filer slutter med .pdf-udvidelsen. Disse filer er imidlertid ikke de samme. Hvis du åbner PDF-filen oprettet med din tekstbehandler, kan du trykke på CTRL + F, indtaste de ord, du leder efter, og PDF-visningssoftwaren vil fremhæve dokumentets resultater.
Men prøv at vælge eller søge tekst i en PDF, der er produceret af din scannersoftware, når du har scannet papirdokumenter, det er ikke muligt. Det skyldes, at det scannede PDF-dokument ikke er tekstbaseret; det er billedbaseret. Denne type PDF kaldes a PDF raster , og det er snart ved at blive et standardformat til opbevaring, transport og udveksling af scannede dokumenter
Og så er der vektor-PDF-filer, ofte oprettet fra CAD formater eller grafiske designprogrammer som Adobe Illustrator.

Tekst er et uafhængigt element i indbyggede PDF-filer. Du kan muligvis se teksttegn i PDF, men disse tegn er ikke nødvendigvis PDF-tekstelementer. Hvordan kan du se forskellen?
Som vi lige har set, kan tekst være et rasterbillede af tekst eller et vektorbillede af tekst. I alle tilfælde ser det ud som tekst, men computeren genkender den ikke som sådan og kan ikke vælge eller søge i den.
Tekst oprettet af en tekstbehandler er hverken en raster eller et vektorbillede, den kaldes (tilstrækkeligt) Real Text eller PDF Text Element. Rigtig tekst kan søges og vælges. Det ser skarpt ud, selv når du zoomer, tværtimod vektortekst, der ser klumpet ud, og rastertekst, der er pixeliseret.
Som i Magrittes berømt maleri, i PDF-verden, er et billede af en tekst ikke det samme som selve teksten.

For at gøre teksten i et scannet dokument søgbar skal du køre den gennem OCR. Denne proces tilføjer et lag usynlig tekst i PDF, så OCR-motoren kan genkende tegnene og "læse" teksten. Denne tekst bruges ikke under udskrivning eller visning af PDF-dokumentet, og den er usynlig for brugeren.
Hvorfor skulle du fjerne den skjulte tekst i en PDF? Nogle gange vises en scannet tekst, der er OCR, ikke godt i en fremviser. I nogle tilfælde er tricket at fjerne skjult tekst og behandle dokumentet på ny med et andet værktøj (som AvePDF OCR PDF ).
Det er også muligt, at den OCR-motor, du bruger, skal opdateres, og du ønsker at behandle dine dokumenter på ny eller skifte til et andet værktøj med bedre ydelse. Den sidste overvejelse, hvis du gemmer som PDF / OCR en batch af dokumenter, der allerede indeholder OCR-filer, vil resultatfilen være tungere.