可以从一个pdf文件中删除OCRed文本层并将其移至另一个的Python模块吗？

Question

我有两个pdf文件，它们几乎相同，除了第一个有OCRed文本而另一个没有，并且它们具有不同的压缩率。

我要这样做的原因是，第一个文件的OCRed文本中存在一些错误，并且该文件使用OCRed文本覆盖了相应的图像，这使我无法知道正确的文本是什么。 这是第二个文件可以帮助我的方式。

我想要

• 使第一个文件显示图像，并隐藏OCRed文本且不覆盖图像。

• 或者，将OCRed文本从第一个文件移到第二个文件。

• 或者，从第一个文件中删除OCRed文本，然后重新进行OCR，因为Adobe Acrobat无法使用OCRed文本重新对pdf文件进行OCR。

所以我想知道是否有一个Python模块可以将OCRed文本层从第一个文件移到第二个文件，同时又将OCRed文本层从第一个文件移开？

如果没有，那么哪些语言可以拥有此类库？

谢谢！

Answer 1

查看pdfminer; 它不是完全用户友好的API，但是您应该能够导航PDF结构并删除阻碍文本。 您可以提出一些具体问题。

但是，如果仅是隐藏OCR的问题，则可以在Acrobat中打开文件将其隐藏。 IIRC它具有仅显示OCR，仅显示背景或同时显示两者的选项。