Κατάργηση κειμένου PDF

Ας πάρουμε δύο αρχεία PDF: ένα που δημιουργήθηκε με επεξεργαστή κειμένου, όπως το MS Word, για παράδειγμα, και ένα σαρωμένο έγγραφο. Και τα δύο αρχεία τελειώνουν με την επέκταση .pdf. Ωστόσο, αυτά τα αρχεία δεν είναι τα ίδια. Εάν ανοίξετε το αρχείο PDF που δημιουργήθηκε με τον επεξεργαστή κειμένου, μπορείτε να πατήσετε CTRL + F, να εισαγάγετε τις λέξεις που αναζητάτε και το λογισμικό προβολής PDF θα επισημάνει τα αποτελέσματα του εγγράφου.
Αλλά δοκιμάστε να επιλέξετε ή να αναζητήσετε κείμενο σε PDF που παράγεται από το λογισμικό του σαρωτή σας όταν έχετε σαρώσει έντυπα έγγραφα, αυτό δεν είναι δυνατό. Αυτό συμβαίνει επειδή το σαρωμένο έγγραφο PDF δεν βασίζεται σε κείμενο. βασίζεται σε εικόνα. Αυτός ο τύπος PDF ονομάζεται a Ράστερ PDF και σύντομα θα γίνει μια τυπική μορφή αποθήκευσης, μεταφοράς και ανταλλαγής σαρωμένων εγγράφων
Και στη συνέχεια, υπάρχουν διανυσματικά PDF, που συχνά δημιουργούνται από ΠΑΛΙΟΤΟΜΑΡΟ μορφές ή προγράμματα γραφιστικής όπως το Adobe Illustrator.

Το κείμενο είναι ένα ανεξάρτητο στοιχείο στα εγγενή PDF. Μπορεί να δείτε χαρακτήρες κειμένου στο PDF, αλλά αυτοί οι χαρακτήρες δεν είναι απαραίτητα στοιχεία κειμένου PDF. Πώς μπορείτε να πείτε τη διαφορά;
Όπως μόλις είδαμε, το κείμενο μπορεί να είναι μια εικόνα ράστερ κειμένου ή μια διανυσματική εικόνα κειμένου. Σε όλες τις περιπτώσεις, μοιάζει με κείμενο, αλλά ο υπολογιστής δεν το αναγνωρίζει ως τέτοιο και δεν μπορεί να το επιλέξει ή να το αναζητήσει.
Το κείμενο που δημιουργείται από έναν επεξεργαστή κειμένου δεν είναι ούτε ράστερ ούτε διανυσματική εικόνα, ονομάζεται (επαρκώς) Real Text ή PDF Text Element. Το πραγματικό κείμενο είναι αναζητήσιμο και επιλέξιμο. Φαίνεται ευκρινές ακόμα και όταν κάνετε ζουμ, σε αντίθεση με το διανυσματικό κείμενο που εμφανίζεται άμορφο και το ράστερ κείμενο που έχει pixelized.
Οπως σε Μαγκρίτ διάσημη ζωγραφική, στον κόσμο του PDF, η εικόνα ενός κειμένου δεν είναι το ίδιο με το ίδιο το κείμενο.

Για να κάνετε αναζήτηση του κειμένου ενός σαρωμένου εγγράφου, πρέπει να το εκτελέσετε μέσω OCR. Αυτή η διαδικασία προσθέτει ένα επίπεδο αόρατου κειμένου στο PDF, ώστε η μηχανή OCR να μπορεί να αναγνωρίσει τους χαρακτήρες και να "διαβάσει" το κείμενο. Αυτό το κείμενο δεν χρησιμοποιείται κατά την εκτύπωση ή την προβολή του εγγράφου PDF και είναι αόρατο για τον χρήστη.
Γιατί θα πρέπει να καταργήσετε το κρυφό κείμενο ενός PDF; Μερικές φορές, ένα σαρωμένο κείμενο που έχει OCRed δεν εμφανίζεται καλά σε ένα πρόγραμμα προβολής. Σε ορισμένες περιπτώσεις, το κόλπο είναι να αφαιρέσετε κρυφό κείμενο και να επεξεργαστείτε ξανά το έγγραφο με άλλο εργαλείο (όπως AvePDF OCR PDF ).
Είναι επίσης πιθανό ότι ο κινητήρας OCR που χρησιμοποιείτε πρέπει να ενημερωθεί και θέλετε να επεξεργαστείτε ξανά τα έγγραφά σας ή να μεταβείτε σε άλλο εργαλείο με καλύτερη απόδοση. Η τελευταία εκτίμηση, εάν αποθηκεύσετε ως PDF / OCR μια δέσμη εγγράφων που περιλαμβάνουν ήδη αρχεία OCRed, το αρχείο αποτελεσμάτων θα είναι βαρύτερο.