删除 PDF 文本

我们拿两个PDF文件：一个是用文字处理器（例如MS Word）创建的，另一个是扫描的文档。这两个文件都以.pdf扩展名结尾。但是，这些文件不相同。如果打开使用文字处理器创建的PDF文件，则可以按CTRL + F，输入所需的单词，然后PDF查看器软件将突出显示文档的结果。
但是，在扫描纸质文档后，请尝试选择或搜索由扫描仪软件生成的PDF中的文本，这是不可能的。这是因为扫描的PDF文档不是基于文本的。它是基于图像的。这种类型的PDF称为 PDF栅格 ，并且很快成为存储，传输和交换扫描文档的标准格式
然后，有矢量PDF，通常是从 计算机辅助设计 格式或图形设计程序（如Adobe Illustrator）。

文本是本机PDF中的独立元素。您可能会在PDF中看到文本字符，但是这些字符不一定是PDF文本元素。您如何分辨差异？
正如我们已经看到的，文本可以是文本的光栅图像或文本的矢量图像。在所有情况下，它看起来都是文本，但计算机无法识别出文本，因此无法选择或搜索文本。
由文字处理程序创建的文本既不是光栅也不是矢量图像，（适当地）称为“真实文本”或PDF文本元素。真实文本是可搜索和可选的。与放大的矢量文本和像素化的光栅文本相反，即使在缩放时也显得清晰。
像 马格利特的 在PDF世界中的一幅著名画作中，文本的图像与文本本身不是一回事。

要使扫描文档的文本可搜索，您需要通过OCR运行它。此过程在PDF中添加了一层不可见的文本，因此OCR引擎可以识别字符并“读取”文本。在打印或查看PDF文档时不会使用此文本，并且用户看不到该文本。
为什么需要删除PDF的隐藏文本？有时，已扫描为OCRed的文本在查看器中无法很好地显示。在某些情况下，技巧是删除隐藏的文本并使用其他工具（例如 AvePDF OCR PDF ）。
您使用的OCR引擎也可能需要更新，并且您想重新处理文档或切换到性能更好的其他工具。最后一个考虑因素是，如果将一批包含OCRed文件的文档另存为PDF / OCR，则结果文件将更重。