如何在使用 Ghostscript 从 PDF 中删除文本图像后使不可见（例如 OCR）文本可见答案

【问题标题】：How to make invisible (e.g. OCR) text visible after removing text-images from PDF with Ghostscript如何在使用 Ghostscript 从 PDF 中删除文本图像后使不可见（例如 OCR）文本可见
【发布时间】：2022-10-30 23:48:43
【问题描述】：

我使用gs -o 'out.pdf' -sDEVICE=pdfwrite -dFILTERIMAGE 'in.pdf' 从一些 PDF 文件中删除所有图像以最小化它们的文件大小。现在在其中一些 PDF 中，结果是不可见的文本，因为它们只包含扫描页面，顶部有一个不可见的 OCR 层。有什么方法可以使 OCR 文本可见吗？

【问题讨论】：

请注意，某些 OCR 软件使用的字体中每个字形都是空的。在这种情况下，您需要更换字体。

标签： pdf ocr ghostscript

【解决方案1】：

答案非常依赖于 OCR 的完成方式，这是来自 AWS-texttract 的异常完美的结果样本（现实是完美的，因为它取决于每个图像）

需要注意的几件事，无色文本通常与真实字母位置不对齐，因为字符词块或行需要平均，因此在大多数情况下甚至在最坏的情况下都有降低的趋势（双关语:-)小写字母（双关语：-）它看起来和线条下一样高（又一个：-）宽度通常设置为 1 点，没有描边，没有填充。

当您剥离图像时，没有任何显示

此时您有几个选择，但通常您需要将剩下的部分涂黑。 cpdf 在某些情况下可以做得很好，但是我没有成功使用：-

cpdf -blacktext -color black -opacity 1.0 in.pdf -o out.pdf

我曾希望它会这样做，但可惜不是今天。事实上，任何命令行工具都存在“不可见文本”的问题，除了它可以被 pdftotext 清楚地看到，因此可以重新打印为 PDF。

我能做的最好的事情是使用 GUI 编辑器为文本重新着色，因此很可能需要 Inkscape 或类似的可编程图形应用程序或 API（如 Acrobat/iText 等）来更改文本外观

【讨论】：

不幸的是，在将 PDF 导入 Inkscape 或 Scribus 时，我似乎无法选择文本。我的意思是它显然在那里，因为我可以在其中选择 Okular，但是在导入上述应用程序后，它似乎由于某种原因消失了。或者至少不能再被选中。无论如何，感谢您的启发性答案。

【解决方案2】：

你可以做：

cpdf -remove-all-text in.pdf -o out.pdf

【讨论】：

那不会只是删除文本吗？或者该选项是否以某种方式极具误导性？
不，你是对的。我误读了你的问题。

【解决方案3】：

使该文本可见的唯一方法是编辑 PDF 文件中的文本呈现模式并将其从 3 更改为 0。为此，您需要编辑 PDF 的实际内容，这很可能意味着您将必须解压缩它，然后编辑文件以查找“3 Tr”并替换为“0 Tr”。

【讨论】：