PDF-tekst verwijderen

Laten we twee pdf-bestanden nemen: één gemaakt met een tekstverwerker, zoals bijvoorbeeld MS Word, en één gescand document. Beide bestanden eindigen op de extensie .pdf. Deze bestanden zijn echter niet hetzelfde. Als u het PDF-bestand opent dat met uw tekstverwerker is gemaakt, kunt u op CTRL + F drukken, de woorden invoeren waarnaar u op zoek bent en de PDF-viewersoftware zal de resultaten van het document markeren.
Maar probeer tekst te selecteren of te zoeken in een PDF die door uw scannersoftware is gemaakt wanneer u papieren documenten heeft gescand, dit is niet mogelijk. Dit komt omdat het gescande PDF-document niet op tekst is gebaseerd; het is op afbeeldingen gebaseerd. Dit type PDF wordt a genoemd PDF-raster en het wordt binnenkort een standaardformaat voor het opslaan, vervoeren en uitwisselen van gescande documenten
En dan zijn er vector-PDF's, vaak gemaakt op basis van CAD formaten of grafische ontwerpprogramma's zoals Adobe Illustrator.

Tekst is een onafhankelijk element in native PDF's. U ziet mogelijk teksttekens in de PDF, maar die tekens zijn niet noodzakelijk PDF-tekstelementen. Hoe kun je het verschil zien?
Zoals we zojuist hebben gezien, kan tekst een rasterafbeelding van tekst of een vectorafbeelding van tekst zijn. In alle gevallen lijkt het op tekst, maar de computer herkent het niet als zodanig en kan het niet selecteren of doorzoeken.
Tekst die door een tekstverwerker is gemaakt, is noch een raster, noch een vectorafbeelding, het wordt (terecht) Real Text of PDF Text Element genoemd. Real Text is doorzoekbaar en selecteerbaar. Het ziet er zelfs bij het zoomen scherp uit, in tegenstelling tot vectortekst die klonterig lijkt, en rastertekst die gepixeliseerd is.
Als in Magritte's beroemd schilderij, in de pdf-wereld is een afbeelding van een tekst niet hetzelfde als de tekst zelf.

Om de tekst van een gescand document doorzoekbaar te maken, moet u het door OCR laten lopen. Dit proces voegt een laag onzichtbare tekst toe aan de PDF, zodat de OCR-engine de tekens kan herkennen en de tekst kan "lezen". Deze tekst wordt niet gebruikt tijdens het afdrukken of bekijken van het PDF-document en is onzichtbaar voor de gebruiker.
Waarom zou u de verborgen tekst van een pdf moeten verwijderen? Soms wordt een gescande tekst die is OCRed niet goed weergegeven in een viewer. In sommige gevallen is het de kunst om verborgen tekst te verwijderen en het document opnieuw te verwerken met een andere tool (zoals AvePDF OCR PDF ).
Het is ook mogelijk dat de OCR-engine die u gebruikt moet worden bijgewerkt en dat u uw documenten opnieuw wilt verwerken of wilt overschakelen naar een andere tool met betere prestaties. De laatste overweging, als u een batch documenten opslaat als PDF / OCR die al OCRed-bestanden bevatten, zal het resultaatbestand zwaarder zijn.