【发布时间】：2018-11-13 11:33:45
【问题描述】：
我有一堆 pdf 文件，其中包含歌词（黑色字体）和和弦（蓝色字体），就在字母之间。
是否可以只提取黑色字体的文本而省略所有其他颜色的文本？
【问题讨论】：
标签： pdf ghostscript text-extraction
【发布时间】：2018-11-13 11:33:45
【问题描述】：
您可以通过相当大的努力在 Ghostscript 中执行此操作，但这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，您修改显示在 /ghostpdl/Resource/Init/pdf_ops.ps 中定义的每个显示运算符（TJ、Tj、' 和“）的文本。首先检查当前颜色，如果您想要它，请继续并处理文本，否则弹出字符串并返回而不处理。
请注意，您要么需要重新构建 Ghostscript，要么通过使用命令行上的 -I 开关告诉它使用修改后的文件。
运行原始 PDF 文件作为输入，选择 pdfwrite 设备并创建一个新文件，其中文本将丢失。
如果后面的文本依赖于前面操作移动的当前点，这可能会产生意想不到的结果。在这种情况下，您可以尝试在绘制之前将颜色更改为白色。这本身就有缺点；如果页面不是白色，文本下方仍会显示，复制和粘贴仍会拾取白色文本，即使它不可见。
【讨论】：