如何使经Ghostscript移除图像的PDF中不可见OCR文本变为可见

当你用gs -o 'out.pdf' -sDEVICE=pdfwrite -dFILTERIMAGE 'in.pdf'移除扫描PDF的图像层后，原本不可见的OCR文本变得无法显示，核心原因是这类PDF的OCR文本被设置为和扫描背景一致的颜色（通常为白色）——有图像时文本隐藏在背景下可被搜索，移除图像后白色文本与白色背景重合，自然看不见。以下是几种可行的解决方法：

方法1：修改Ghostscript参数强制设置文本颜色 #

直接在Ghostscript命令中插入PostScript代码，将所有文本的颜色强制改为黑色，确保移除图像后文本可见：

gs -o 'out.pdf' -sDEVICE=pdfwrite -dFILTERIMAGE -c "/SetRGBColor {0 0 0} bind def" -f 'in.pdf'

• 解释：-c "/SetRGBColor {0 0 0} bind def"这段PostScript代码会重定义PDF中的颜色设置命令，把所有文本的RGB颜色固定为黑色（0,0,0），覆盖原来的白色设置。
• 优势：无需额外工具，一步完成图像移除和文本可见化，同时保留原OCR文本的位置布局。

方法2：提取OCR文本生成纯文本PDF #

如果不需要保留原页面的布局结构，仅需提取可编辑的文本内容，可以先提取文本再生成新PDF：

1. 用pdftotext提取OCR文本：

pdftotext 'in.pdf' 'out.txt'

2. 将文本文件转为PDF（以pandoc为例）：

pandoc -s 'out.txt' -o 'out.pdf'

• 优势：生成的PDF体积极小，文本完全可编辑；缺点是丢失原页面的排版布局。

方法3：预修复OCR层可见性再处理 #

如果需要更精细地控制文本属性，可先用PDF工具修改OCR文本的可见性，再执行Ghostscript的图像移除操作：

• 使用PDF编辑工具（如qpdf结合自定义PostScript脚本），将OCR文本的填充色改为黑色，再运行原Ghostscript命令。这种方法适合对PDF结构有了解的用户，步骤相对繁琐，但能精准调整文本样式。

内容的提问来源于stack exchange，提问作者sonofevil