Xóa văn bản PDF

Ví dụ, hãy lấy hai tệp PDF: một tệp được tạo bằng trình xử lý văn bản, chẳng hạn như MS Word và một tài liệu được quét. Cả hai tệp đều kết thúc bằng phần mở rộng .pdf. Tuy nhiên, những tập tin này không giống nhau. Nếu bạn mở tệp PDF được tạo bằng trình xử lý văn bản của mình, bạn có thể nhấn CTRL + F, nhập các từ bạn đang tìm và phần mềm xem PDF sẽ làm nổi bật kết quả của tài liệu.
Nhưng hãy thử chọn hoặc tìm kiếm văn bản trong tệp PDF được tạo bởi phần mềm máy quét của bạn khi bạn quét các tài liệu giấy đã quét, điều đó là không thể. Đó là bởi vì tài liệu PDF được quét không dựa trên văn bản; nó dựa trên hình ảnh Loại PDF này được gọi là PDF raster và nó sẽ sớm trở thành một định dạng chuẩn để lưu trữ, vận chuyển và trao đổi các tài liệu được quét
Và sau đó, có các tệp PDF vector, thường được tạo từ CAD định dạng hoặc chương trình thiết kế đồ họa như Adobe Illustrator.

Văn bản là một yếu tố độc lập trong các tệp PDF gốc. Bạn có thể thấy các ký tự văn bản trong PDF, nhưng các ký tự đó không nhất thiết phải là các thành phần văn bản PDF. Làm thế nào bạn có thể cho biết sự khác biệt?
Như chúng ta vừa thấy, văn bản có thể là hình ảnh raster của văn bản hoặc hình ảnh vector của văn bản. Trong mọi trường hợp, nó trông giống như văn bản, nhưng máy tính không nhận ra nó như vậy và không thể chọn hoặc tìm kiếm nó.
Văn bản được tạo bởi trình xử lý văn bản không phải là raster cũng không phải là hình ảnh vector, nó được gọi là "Văn bản thực" hoặc Phần tử văn bản PDF. Văn bản thực có thể tìm kiếm và lựa chọn. Nó trông sắc nét ngay cả khi phóng to, trái ngược với văn bản vectơ xuất hiện vón cục và văn bản raster được pixel hóa.
Giống như trong Magritte bức tranh nổi tiếng, trong thế giới PDF, một hình ảnh của một văn bản không giống với chính văn bản đó.

Để làm cho văn bản của tài liệu được quét có thể tìm kiếm được, bạn cần chạy nó thông qua OCR. Quá trình này thêm một lớp văn bản vô hình trong PDF, vì vậy công cụ OCR có thể nhận ra các ký tự và đọc văn bản. Văn bản này không được sử dụng trong khi in hoặc xem tài liệu PDF và nó vô hình với người dùng.
Tại sao bạn cần xóa văn bản ẩn của PDF? Đôi khi, một văn bản được quét đã được OCRed không hiển thị tốt trong trình xem. Trong một số trường hợp, mẹo là xóa văn bản ẩn và xử lý lại tài liệu bằng một công cụ khác (như AvePDF OCR PDF ).
Cũng có thể công cụ OCR bạn đang sử dụng cần được cập nhật và bạn muốn xử lý lại tài liệu của mình hoặc chuyển sang công cụ khác với hiệu suất tốt hơn. Việc xem xét cuối cùng, nếu bạn lưu dưới dạng PDF / OCR một loạt tài liệu bao gồm các tệp OCRed, tệp kết quả sẽ nặng hơn.