带有可见 OCR 文本的 PDF，如何从现有 PDF 中隐藏它

Question

我有几个经过 OCR 处理(不是由我处理)的 PDF 文件。它们包含扫描图像和 OCR 文本。它们似乎在某些查看器 (iPhone/iPad) 中运行良好，但在其他查看器(macOS 上的 Preview.app)中运行不佳，这使得它们阅读起来有些尴尬。

通过谷歌搜索，似乎文本和图像可能分层不正确，或者使用的字体有问题？我什至不确定我使用的词汇是否正确，因为我得到的大多数点击都是毫无值(value)的。

是否可以使用 ghostscript 或其他工具来批量修复这些文件？

“糟糕”渲染的示例:

Answer 1

如果没有看到 PDF 文件，就不可能说出 PDF 文件(或查看器)有什么问题，这也使得提出解决方案变得困难!

您当然可以通过 Ghostscript 将文件运行到 pdfwrite 设备，并使用 -dFILTERTEXT 开关不处理文本。因此，生成的文档不会包含有问题的文本，但仍会包含图像。

当然，这将无法搜索或突出显示。

您可以改为使用 -dFILTERIMAGE，它会删除原始图像，留下文本。但是原始文档中所有非文本的内容现在都将丢失。

通常的“最佳实践”是在渲染模式 3 下绘制文本，这样不会产生任何标记。这使您可以看到原始图像，而不会受到 OCR 文本的干扰。您使用的查看器可能不支持文本呈现模式，这将是查看器中的一个(相当严重的)错误。最新版本的 MacOS 似乎在 Quartz PDF 渲染引擎中有一些讨厌的错误。

另一种方法是先绘制文本，然后将原始图像放在它上面，但这很难出错，我怀疑它更可能是文本渲染模式。

编辑PDF 文件首先绘制文本，然后在文本之上绘制图像。底层文本不应出现。 mkl 的评论非常正确。

解决此问题的正确方法是修复错误呈现它的消费者。正如我上面提到的，最新版本的 Quartz 似乎有一些相当严重的错误，您可能会选择将此作为错误提交给 Apple。

唯一的其他解决方案是通过删除文本的方式运行它。 Ghostscript 可以做到这一点，但也有影响；首先，将无法再从文档中搜索/复制/粘贴文本。其次，您需要运行相当复杂的命令行，以防止解压缩的 JPX 图像被重新压缩为 JPEG，这可能会导致质量下降。最后生成的文件大小会更大。