pdf - 从 PDF 中删除所有文本

Question

我有一组 PDF，其中包含经过 OCR 处理的扫描图像。文本仍然“以图形方式”显示 - 换句话说，扫描的图像文本仍然存在 - 而 OCR 文本在“图像后面”。这允许搜索文档、复制文本等。

由于 OS X 中的一个严重错误(现已解决)，一些 OCR 文本已损坏。因此，我想从 PDF 中删除文本，然后重新对文档进行 OCR。出于许多重要的原因，我不想走“将文档重新打印为 PDF”的路线:我更愿意尽可能地尝试就地修复文档。

由于我找不到可以满足我要求的 PDF 实用程序，而且我有一些编码经验，所以我决定卷起袖子尝试拼凑一些 .NET( C#) 代码删除文本。

我查看了 iTextSharp，我可以打开示例文档，但我遇到困难的地方是只查找(并因此删除)文档中的文本。我查看了各种不同的 PDF 规范文档，但很快就迷失了方向，而我看到的 iTextSharp 的所有示例都涉及向文档添加对象、图形或文本。

总而言之，我想要做的就是找到所有文本 block 并将其删除，同时保留图形(最初是 JPG)图像。谁能告诉我应该寻找哪些对象类型，以及应该遍历哪些层次结构以实现此目的？

Answer 1

改编此 How to find and replace text in a existing PDF file with PDFTK (or other command line application)我能够使用 pdftk 和 sed 删除呈现的文本。这肯定不是完全通用的，但可以快速满足我的需求。

我最终得到了:

pdftk my_input.pdf output - uncompress | sed -e 's/\[.*\]TJ/()Tj/' -e 's/(.*)Tj/()TJ/' | pdftk - output my_output.pdf compress

这会将流转换为文本格式，我在其中找到了 (blah)Tj 和 [blah]TJ 的用法，然后将它们完全剪掉，然后转换回压缩二进制文件。 pdftk 做了一些魔术来修复输出，使其再次有效，因为原始未编辑的输入也是一个有效的 PDF 文件，但在编辑后不是。如果没有一些新模式，这将不适用于扩展字符。