Odstrániť text PDF

Vezmime dva súbory PDF: jeden vytvorený pomocou textového procesora, napríklad MS Word a jeden naskenovaný dokument. Oba súbory končia príponou .pdf. Tieto súbory však nie sú rovnaké. Ak otvoríte súbor PDF vytvorený pomocou textového procesora, môžete stlačiť klávesy CTRL + F, zadať hľadané slová a softvér na prezeranie PDF zvýrazní výsledky dokumentu.
Keď však skenujete papierové dokumenty, skúste vybrať alebo prehľadať text v PDF, ktorý vytvoril softvér skenera, nie je to však možné. Je to preto, že naskenovaný dokument PDF nie je založený na texte; je založená na obrázkoch. Tento typ PDF sa nazýva a PDF raster a čoskoro sa stane štandardným formátom na ukladanie, prepravu a výmenu naskenovaných dokumentov
A potom existujú vektorové súbory PDF, často vytvorené z CAD formáty alebo programy grafického dizajnu, napríklad Adobe Illustrator.

Text je nezávislým prvkom v natívnych súboroch PDF. V PDF môžete vidieť textové znaky, ale tieto znaky nemusia nutne obsahovať textové prvky PDF. Ako zistíte rozdiel?
Ako sme práve videli, text môže byť rastrový obrázok textu alebo vektorový obrázok textu. Vo všetkých prípadoch to vyzerá ako text, ale počítač ho ako taký nerozpozná a nemôže ho vybrať ani vyhľadať.
Text vytvorený textovým procesorom nie je ani rastrovým ani vektorovým obrázkom, je (primerane) nazývaný Real Text alebo PDF Text Element. Real Text je vyhľadávateľný a vyberateľný. Na rozdiel od vektorového textu, ktorý sa zdá byť hrbolatý, a rastrového textu, ktorý je pixelovaný, vyzerá ostro.
Rovnako ako v Magritte slávny obraz, vo svete PDF nie je obraz textu to isté ako samotný text.

Ak chcete prehľadávať text naskenovaného dokumentu, musíte ho spustiť prostredníctvom OCR. Tento proces pridá vrstvu PDF do neviditeľného textu, takže modul OCR dokáže rozpoznať znaky a „prečítať“ text. Tento text sa nepoužíva počas tlače alebo prezerania dokumentu PDF a pre používateľa je neviditeľný.
Prečo by ste mali odstrániť skrytý text PDF? Naskenovaný text, ktorý bol OCRed, sa niekedy v prehliadači nezobrazí dobre. V niektorých prípadoch je trikom odstránenie skrytého textu a opätovné spracovanie dokumentu pomocou iného nástroja (napr AvePDF OCR PDF ).
Je tiež možné, že stroj OCR, ktorý používate, musí byť aktualizovaný a chcete dokumenty znova spracovať alebo prepnúť na iný nástroj s lepším výkonom. Posledná úvaha, ak ako PDF / OCR uložíte množstvo dokumentov, ktoré už obsahujú súbory OCR, bude výsledný súbor ťažší.