PDF-Text entfernen

Nehmen wir zwei PDF-Dateien: eine mit einem Textverarbeitungsprogramm wie z. B. MS Word und ein gescanntes Dokument. Beide Dateien enden mit der Erweiterung .pdf. Diese Dateien sind jedoch nicht identisch. Wenn Sie die mit Ihrem Textverarbeitungsprogramm erstellte PDF-Datei öffnen, können Sie STRG + F drücken, die gesuchten Wörter eingeben und die PDF-Viewer-Software hebt die Ergebnisse des Dokuments hervor.
Versuchen Sie jedoch, Text in einer von Ihrer Scannersoftware erstellten PDF-Datei auszuwählen oder zu suchen, wenn Sie Papierdokumente gescannt haben. Dies ist nicht möglich. Dies liegt daran, dass das gescannte PDF-Dokument nicht textbasiert ist. es ist bildbasiert. Diese Art von PDF wird als a bezeichnet PDF-Raster und es wird bald ein Standardformat zum Speichern, Transportieren und Austauschen gescannter Dokumente
Und dann gibt es Vektor-PDFs, die oft aus erstellt werden CAD Formate oder Grafikdesign-Programme wie Adobe Illustrator.

Text ist ein eigenständiges Element in nativen PDFs. Möglicherweise werden in der PDF-Datei Textzeichen angezeigt, diese Zeichen sind jedoch nicht unbedingt PDF-Textelemente. Wie können Sie den Unterschied erkennen?
Wie wir gerade gesehen haben, kann Text ein Rasterbild von Text oder ein Vektorbild von Text sein. In allen Fällen sieht es wie Text aus, aber der Computer erkennt ihn nicht als solchen und kann ihn nicht auswählen oder durchsuchen.
Von einem Textverarbeitungsprogramm erstellter Text ist weder ein Raster noch ein Vektorbild. Er wird (angemessen) als Real Text oder PDF Text Element bezeichnet. Real Text ist durchsuchbar und auswählbar. Es sieht auch beim Zoomen scharf aus, im Gegensatz zu Vektortext, der klumpig erscheint, und Rastertext, der pixelig ist.
Wie in Magrittes berühmtes Gemälde In der PDF-Welt ist ein Bild eines Textes nicht dasselbe wie der Text selbst.

Um den Text eines gescannten Dokuments durchsuchbar zu machen, müssen Sie ihn über OCR ausführen. Dieser Prozess fügt der PDF-Datei eine Ebene mit unsichtbarem Text hinzu, sodass die OCR-Engine die Zeichen erkennen und den Text „lesen“ kann. Dieser Text wird beim Drucken oder Anzeigen des PDF-Dokuments nicht verwendet und ist für den Benutzer nicht sichtbar.
Warum müssen Sie den versteckten Text einer PDF-Datei entfernen? Manchmal wird ein gescannter gescannter Text in einem Viewer nicht gut angezeigt. In einigen Fällen besteht der Trick darin, versteckten Text zu entfernen und das Dokument mit einem anderen Werkzeug (z AvePDF OCR PDF ).
Es ist auch möglich, dass die von Ihnen verwendete OCR-Engine aktualisiert werden muss und Sie Ihre Dokumente erneut verarbeiten oder zu einem anderen Tool mit besserer Leistung wechseln möchten. Die letzte Überlegung: Wenn Sie einen Stapel von Dokumenten, die bereits OCR-Dateien enthalten, als PDF / OCR speichern, ist die Ergebnisdatei schwerer.