Fjern PDF-tekst

La oss ta to PDF-filer: en opprettet med en tekstbehandler, for eksempel MS Word, for eksempel, og ett skannet dokument. Begge filene slutter med .pdf-utvidelsen. Disse filene er imidlertid ikke de samme. Hvis du åpner PDF-filen opprettet med tekstbehandleren din, kan du trykke CTRL + F, legge inn ordene du leter etter, og PDF-visningsprogramvaren vil fremheve dokumentets resultater.
Men prøv å velge eller søke i tekst i en PDF produsert av skannerprogramvaren når du har skannet papirdokumenter. Det er ikke mulig. Det er fordi det skannede PDF-dokumentet ikke er tekstbasert. den er bildebasert. Denne typen PDF kalles a PDF raster , og det skal snart bli et standardformat for lagring, transport og utveksling av skannede dokumenter
Og så er det vektor-PDF-filer, ofte laget fra CAD formater, eller grafiske designprogrammer som Adobe Illustrator.

Tekst er et uavhengig element i originale PDF-filer. Du kan se teksttegn i PDF-en, men disse tegnene er ikke nødvendigvis PDF-tekstelementer. Hvordan kan du fortelle forskjellen?
Som vi nettopp har sett, kan tekst være et rasterbilde av tekst eller et vektorbilde av tekst. I alle tilfeller ser det ut som tekst, men datamaskinen kjenner ikke igjen den som sådan og kan ikke velge eller søke i den.
Tekst som er laget av en tekstbehandler er verken et raster eller et vektorbilde, det kalles (tilstrekkelig) ekte tekst eller PDF-tekstelement. Ekte tekst kan søkes og velges. Det ser skarpt ut selv når du zoomer, tvert imot vektortekst som virker klumpet og rastertekst som er pixelisert.
Som i Magrittes berømt maleri, i PDF-verden, er et bilde av en tekst ikke det samme som selve teksten.

For å gjøre teksten til et skannet dokument søkbar, må du kjøre den gjennom OCR. Denne prosessen legger til et lag med usynlig tekst i PDF, slik at OCR-motoren kan gjenkjenne tegnene og "lese" teksten. Denne teksten brukes ikke under utskrift eller visning av PDF-dokumentet, og den er usynlig for brukeren.
Hvorfor må du fjerne den skjulte teksten til en PDF? Noen ganger vises ikke en skannet tekst som har blitt OCR, godt i en seer. I noen tilfeller er trikset å fjerne skjult tekst og behandle dokumentet på nytt med et annet verktøy (som AvePDF OCR PDF ).
Det er også mulig at OCR-motoren du bruker trenger å oppdateres, og du vil behandle dokumentene dine på nytt eller bytte til et annet verktøy med bedre ytelse. Den siste vurderingen, hvis du lagrer som PDF / OCR en gruppe dokumenter som inneholder allerede OCR-filer, blir resultatfilen tyngre.