我有一组包含扫描图像的PDF，然后进行了OCR扫描。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 - 并且OCR的文本是“图像后面”。这允许搜索文档，复制文本等。
由于OS X中存在令人讨厌（现已解决）的错误，因此某些OCR文本已损坏。因此，我想删除PDF中的文本，然后重新OCR文档。出于许多非常重要的原因，我不想将“将文档重新打印为PDF”路线：我宁愿尽可能地尝试就地修复文档。
由于我找不到能够完成我要求的PDF实用工具，并且我有一些编码经验，所以我决定卷起袖子并尝试将一些.NET（ C＃）代码删除文本。
我查看了iTextSharp，我可以打开一个示例文档，但是我遇到的问题是找到（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，我很快就迷路了，我在iTextSharp中看到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块并将其删除，同时单独留下图形（原始JPG）图像。任何人都可以告诉我我应该寻找的对象类型，以及我应该迭代的层次结构，以实现这一目标吗？
答案 0 :(得分：1)
调整此How to find and replace text in a existing PDF file with PDFTK (or other command line application)我可以使用pdftk和sed删除渲染文本。这肯定不是完全一般的，但是对我的需求很快就会破解。
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
这将流转换为文本格式，在那里我发现使用（blah）Tj和[blah] TJ并完全将它们剪掉，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，但编辑后却没有。如果没有一些新的模式，这将不适用于扩展字符。
答案 1 :(得分：0)
在Apple Preview中打印pdf似乎会将OCR作为副作用删除。投入Apple Script，您就拥有了自动化解决方案。
答案 2 :(得分：0)
可以在以下位置看到很长的答案： https://unix.stackexchange.com/questions/171940/how-can-i-convert-a-scanned-pdf-with-ocred-text-to-one-without-ocred-text#answer-181644
我的简短直接答案是：
好吧，至于我在这里回答的第一个问题（我在这里花了很多时间在寻找答案），我使用的是ubuntu 18.04，我OCRd是一个pdf文件。看起来还不错，但是有图片。 。显然，我（也许还有您）所使用的ocr建议添加一层文本，以便您可以在文件中搜索文本... https://github.com/coherentgraphics/cpdf-binaries <-答案所必需的二进制文件！
因此，在对文件进行OCRd处理后，我将cpdf二进制文件与以下命令配合使用：
“ cpdf-草稿./MySourcePDF.pdf -o MyFinalPdf.pdf”
...来自文档：
“-draft选项可从文件中删除位图（摄影）图像，以便可以用更少的墨水打印。可选地，可以添加-boxes选项，在空白处填充一个斜线框，表示图像是。这不能保证在所有情况下都是完全可见的（位图可能已被矢量对象部分覆盖或在原始图像中裁剪了）。例如：
cpdf-草稿-boxes in.pdf -o out.pdf ...”
所以我没有使用-boxes选项。之后，我只是使用LibreOffice Drawer打开了文件并导出为PDF。实际上，您可以在那里做更多的事情。希望我能帮助别人，不要再经历我今天所做的事情：8个小时为与我共享生命的人修复 OCR PDF 文件...
我最终开始尝试使用LibreOffice打开PDF，但是过程进行得很迅速，PC无法使用。