我有几个经过 OCR 处理的 PDF 文件（不是由我处理的）。它们包含扫描的图像和 OCR 文本。它们似乎在某些查看器（iPhone/iPad）中运行良好，但在其他查看器（macOS 上的 Preview.app）中运行良好，这使得它们阅读起来有些尴尬。
通过谷歌搜索，似乎文本和图像可能分层不正确或使用的字体有问题？我什至不确定我使用的词汇是否正确，因为我得到的大多数热门歌曲都毫无价值。
是否可以使用 ghostscript 或其他东西来批量修复这些文件？
【问题讨论】：
标签： pdf ocr ghostscript
不看PDF文件就无法说出PDF文件（或查看器）出了什么问题，这也使得提出解决方案变得困难！
您当然可以通过 Ghostscript 将文件运行到 pdfwrite 设备，并使用 -dFILTERTEXT 开关不处理文本。因此，生成的文档不会包含有问题的文本，但仍会包含图像。
当然，这样就无法搜索或突出显示。
您可以改用 -dFILTERIMAGE 来删除原始图像，留下文本。但是现在原始文档中不是文本的任何内容都会丢失。
通常的“最佳实践”是在渲染模式 3 中绘制文本，这不会产生任何标记。这允许您查看原始图像，而不会干扰 OCR 文本。您使用的查看器可能不支持文本呈现模式，这将是查看器中的一个（相当严重的）错误。最新版本的 MacOS 似乎在 Quartz PDF 渲染引擎中有一些令人讨厌的错误。
另一种方法是先绘制文本，然后将原始图像放在上面，但这很难出错，我怀疑它更可能是文本渲染模式。
编辑 PDF 文件首先绘制文本，然后在文本之上绘制图像。底层文本不应出现。 mkl 在他的评论中是非常正确的。
解决这个问题的正确方法是修复渲染不正确的消费者。正如我上面提到的，最新版本的 Quartz 似乎有一些相当严重的错误，您可能会选择向 Apple 提出这个错误。
唯一的其他解决方案是通过一些会删除文本的东西来运行它。 Ghostscript 可以做到这一点，但有一些影响；首先，将不再可能从文档中搜索/复制/粘贴文本。其次，您需要运行相当复杂的命令行，以防止解压缩的 JPX 图像被重新压缩为 JPEG，这可能会导致质量下降。最后生成的文件大小会更大。
【讨论】：