从pdf中仅提取黑色文本

Question

我有一堆pdf文件，其中包含在字母之间的歌曲歌词（黑色字体）和和弦（蓝色字体）。

是否可以仅提取黑色字体的文本并忽略所有其他颜色的文本？

Answer 1

您可以花大量精力在Ghostscript中执行此操作，但这将意味着专门针对该任务更改PDF解释器（绝非易事）。

您需要知道要丢弃（或保留）的确切颜色。然后修改/ghostpdl/Resource/Init/pdf_ops.ps中定义的每个显示操作符的文本（TJ，Tj，'和“）。首先检查当前颜色，如果要继续，请检查当前颜色。处理文本，否则弹出字符串并返回而不进行处理。

请注意，您要么需要重建Ghostscript，要么通过在命令行上使用-I开关告诉它使用修改后的文件。

将原始PDF文件作为输入运行，选择pdfwrite设备并在缺少文本的地方创建一个新文件。

这可能会产生意想不到的结果，其中后面的文本依赖于前面的操作正在移动的当前点。在这种情况下，您可以尝试在绘制颜色之前将其颜色更改为白色。这本身就有缺点。如果页面下方的页面不是白色，文本仍会显示，即使白色文本不可见，复制和粘贴仍会拾取白色文本。