可以從一個pdf文件中刪除OCRed文本層並將其移至另一個的Python模塊嗎？

Question

我有兩個pdf文件，它們幾乎相同，除了第一個有OCRed文本而另一個沒有，並且它們具有不同的壓縮率。

我要這樣做的原因是，第一個文件的OCRed文本中存在一些錯誤，並且該文件使用OCRed文本覆蓋了相應的圖像，這使我無法知道正確的文本是什么。 這是第二個文件可以幫助我的方式。

我想要

• 使第一個文件顯示圖像，並隱藏OCRed文本且不覆蓋圖像。

• 或者，將OCRed文本從第一個文件移到第二個文件。

• 或者，從第一個文件中刪除OCRed文本，然后重新進行OCR，因為Adobe Acrobat無法使用OCRed文本重新對pdf文件進行OCR。

所以我想知道是否有一個Python模塊可以將OCRed文本層從第一個文件移到第二個文件，同時又將OCRed文本層從第一個文件移開？

如果沒有，那么哪些語言可以擁有此類庫？

謝謝！

Answer 1

查看pdfminer; 它不是完全用戶友好的API，但是您應該能夠導航PDF結構並刪除阻礙文本。 您可以提出一些具體問題。

但是，如果僅是隱藏OCR的問題，則可以在Acrobat中打開文件將其隱藏。 IIRC它具有僅顯示OCR，僅顯示背景或同時顯示兩者的選項。