Удалить текст PDF

Давайте возьмем два файла PDF: один, созданный с помощью текстового процессора, например, MS Word, и один отсканированный документ. Оба файла заканчиваются расширением .pdf. Однако эти файлы не совпадают. Если вы откроете файл PDF, созданный с помощью текстового редактора, вы можете нажать CTRL + F, ввести слова, которые вы ищете, и программа просмотра PDF выделит результаты документа.
Но попробуйте выбрать или найти текст в PDF, созданный программным обеспечением сканера, когда вы сканируете бумажные документы, это невозможно. Это потому, что отсканированный документ PDF не основан на тексте; это на основе изображения. Этот тип PDF называется PDF растр и скоро он станет стандартным форматом для хранения, транспортировки и обмена отсканированных документов
И затем, есть векторные PDF-файлы, часто созданные из CAD форматы или программы графического дизайна, такие как Adobe Illustrator.

Текст является независимым элементом в нативных PDF-файлах. Вы можете видеть текстовые символы в PDF, но эти символы не обязательно являются текстовыми элементами PDF. Как вы можете отличить?
Как мы только что видели, текст может быть растровым изображением текста или векторным изображением текста. Во всех случаях это выглядит как текст, но компьютер не распознает его как таковой и не может выбрать или выполнить поиск.
Текст, созданный текстовым процессором, не является ни растром, ни векторным изображением, он (адекватно) называется реальным текстом или текстовым элементом PDF. Реальный текст доступен для поиска и выбора. Он выглядит четким даже при масштабировании, в отличие от векторного текста, который выглядит комковатым, и растрового текста с пикселизацией.
Как в Магритт Знаменитая живопись, в мире PDF, изображение текста не то же самое, что сам текст.

Чтобы сделать текст отсканированного документа доступным для поиска, необходимо выполнить его через OCR. Этот процесс добавляет слой невидимого текста в PDF, поэтому механизм распознавания может распознавать символы и «читать» текст. Этот текст не используется во время печати или просмотра документа PDF, и он невидим для пользователя.
Зачем вам нужно удалить скрытый текст PDF? Иногда отсканированный текст, который был распознан, плохо отображается в средстве просмотра. В некоторых случаях хитрость заключается в удалении скрытого текста и повторной обработке документа с помощью другого инструмента (например, AvePDF OCR PDF ).
Также возможно, что используемый вами механизм OCR требует обновления, и вы захотите повторно обработать ваши документы или переключиться на другой инструмент с более высокой производительностью. Последнее замечание: если вы сохраните в формате PDF / OCR пакет документов, который уже содержит файлы OCR, файл результатов будет тяжелее.