如何移除扫描PDF中的图片，仅保留按页组织的OCR文本？

Python工具（适配你的后续脚本工作流） #

PyMuPDF（fitz） #

PyMuPDF是轻量高效的PDF处理Python库，可精准操作PDF页面元素，轻松移除图片并保留按页面组织的OCR文本。

示例脚本：

import fitz  # 导入PyMuPDF库

def remove_pdf_images(input_pdf, output_pdf):
    doc = fitz.open(input_pdf)
    for page in doc:
        # 获取页面所有图片引用
        image_refs = page.get_images(full=True)
        # 遍历移除每张图片
        for img_ref in image_refs:
            page.delete_image(img_ref[0])
    # 保存处理后的PDF
    doc.save(output_pdf)
    doc.close()

# 使用示例
remove_pdf_images("带扫描图的OCR文档.pdf", "仅保留OCR文本.pdf")

该脚本会遍历PDF每一页，删除所有图片元素，严格保留原始页面的文本结构与顺序，完全适配后续Python脚本处理需求。

命令行工具（适合批量快速处理） #

Ghostscript #

Ghostscript是老牌PDF处理工具，通过命令行即可快速过滤PDF中的图片，仅保留文本内容。

执行命令：

gs -sDEVICE=pdfwrite -dFILTERIMAGE -dNOPAUSE -dBATCH -sOutputFile=仅保留OCR文本.pdf 带扫描图的OCR文档.pdf

• -dFILTERIMAGE 参数会过滤所有图片元素，仅保留文本
• 处理后的PDF将维持原页面组织形式，不会打乱OCR文本的页面归属

内容的提问来源于stack exchange，提问作者Colin