Eliminar texto PDF

Tomemos dos archivos PDF: uno creado con un procesador de textos, como MS Word, por ejemplo, y otro documento escaneado. Ambos archivos terminan con la extensión .pdf. Sin embargo, estos archivos no son lo mismo. Si abre el archivo PDF creado con su procesador de texto, puede presionar CTRL + F, ingresar las palabras que está buscando y el software del visor de PDF resaltará los resultados del documento.
Pero intente seleccionar o buscar texto en un PDF producido por el software de su escáner cuando haya escaneado documentos en papel, no es posible. Esto se debe a que el documento PDF escaneado no está basado en texto; Está basado en imágenes. Este tipo de PDF se llama PDF raster , y pronto se convertirá en un formato estándar para almacenar, transportar e intercambiar documentos escaneados
Y luego, hay archivos PDF vectoriales, a menudo creados a partir de CANALLA formatos o programas de diseño gráfico como Adobe Illustrator.

El texto es un elemento independiente en los PDF nativos. Puede ver caracteres de texto en el PDF, pero esos caracteres no son necesariamente elementos de texto PDF. ¿Cómo puedes decir la diferencia?
Como acabamos de ver, el texto puede ser una imagen ráster de texto o una imagen vectorial de texto. En todos los casos, parece texto, pero la computadora no lo reconoce como tal y no puede seleccionarlo ni buscarlo.
El texto creado por un procesador de texto no es ni una imagen ráster ni una imagen vectorial, se llama (adecuadamente) Texto real o Elemento de texto PDF. Real Text se puede buscar y seleccionar. Se ve nítido incluso cuando se hace zoom, al contrario que el texto vectorial que aparece grumoso y el texto de trama que está pixelado.
Como en Magritte's pintura famosa, en el mundo PDF, una imagen de un texto no es lo mismo que el texto en sí.

Para poder buscar el texto de un documento escaneado, debe ejecutarlo a través de OCR. Este proceso agrega una capa de texto invisible en el PDF, por lo que el motor de OCR puede reconocer los caracteres y "leer" el texto. Este texto no se utiliza durante la impresión o visualización del documento PDF, y es invisible para el usuario.
¿Por qué necesitarías eliminar el texto oculto de un PDF? A veces, un texto escaneado que ha sido OCR no se muestra bien en un visor. En algunos casos, el truco es eliminar el texto oculto y volver a procesar el documento con otra herramienta (como AvePDF OCR PDF )
También es posible que el motor de OCR que está utilizando necesite actualizarse y desee volver a procesar sus documentos o cambiar a otra herramienta con un mejor rendimiento. La última consideración, si guarda como PDF / OCR un lote de documentos que incluyen archivos ya OCR, el archivo de resultados será más pesado.