让 Ghostscript 单独保留 JBIG2 文件

Question

我正在使用

gs

从 PDF 中删除一些错误的 OCR，这些 PDF 本质上是具有不可见文本层的书页图像。其中一些页面图像被编码为 JBIG2。当我通过 gs 运行它们时，它将图像格式更改为 CCIT，这通常不错，但可能比 JBIG2 版本大 10 到 20 倍。

我一直在寻找一种方法，要么让 gs 不理会它们——比如 PassThroughJPEGImages——要么用 MonoImageEncoder 重新编码它们，但我没有成功。我没有找到任何类似的直通选项，并且在将编码器设置为 JBIG2Encode 时出现错误。根据我的发现，我认为后者不是标准选项，而是需要 Luratech 库。

任何人都可以确认或 - 最好 - 解释我的错误吗？

TIA。

Answer 1

这不是关于

gs

问题的答案，而是关于删除不良 OCR 同时保留 jbig2 的解决方法。我使用的是 Linux，但我认为这些工具大部分也可以在 Windows 上使用。

1) 命令行解决方案

深受这个回复的启发，但避免了最后的ghostscript步骤：

1. 备份您的 pdf。

2. 使用

   qpdf

   （或

   pdftk

   ）解压缩 pdf

    qpdf --qdf --object-streams=disable input.pdf editable.pdf
   

   这会在 qdf 模式下创建一个 pdf 文件，可以在文本编辑器中读取（可以处理大文件）。

3. 在文本编辑器中或通过

   Tj

   :

    删除所有以 

   TJ

    或 

   sed
   结尾的行

    sed 'T[Jj]$/d' ./editable.pdf > editable-no-text.pdf
   

   这些是渲染文本字符串的 pdf 命令。

   这将留下进一步的放置命令，例如与页面上的定位相关的

   Tm

   和

   Td

   以及确定文本显示样式的

   Tr

   。它们本身不包含任何文本，也不会占用太多空间。您也可以通过以下方式删除它们：

    sed 'T[Jjdmr]$/d' ./editable.pdf > editable-no-text.pdf
   

   我没有任何副作用，但在继续之前请检查结果。

4. 检查 editable-no-text.pdf 看起来是否符合预期。

5. 重新压缩您的 pdf：

   qpdf --compress-streams=y --object-streams=generate editable-no-text.pdf final.pdf
   

2) GUI 解决方案（仅限 Linux）

我在发现上述内容之前就使用过这个。它更简单，但处理更长的 pdf 文件需要更多工作。我也认为它更安全，但无论如何你都应该有备份。

使用Master PDF Editor（使用该页面末尾的版本4，因为当前版本5有很多锁定的功能）。

您可以将其设置为仅选择文本对象，然后使用

Ctrl+A

选择所有内容并使用

Del

删除。不幸的是，你必须对每个页面都执行此操作，所以我只会循环浏览

Ctrl+A

、

Del

、

Page down

。

虽然这不能正确编写脚本，但您可能可以使用 xdotool bodge。

Answer 2

当前没有办法让 Ghostscript 不改变地传递 JBIG2 图像。

pdfwrite 设备不允许 JBIG2Encode 作为可能的编码方法，因此您不能使用它。

这样做的结果是你只能使用CCITTFaxEncode作为MonoImageEncode参数。

一般来说，JBIG2 比 CCITTFax 好一点，但文本是个例外，如果文本的内容已知，则可以通过重用段来实现显着的节省（这也是 JBIG2 解码错误的根源） 2013年的新闻）。听起来你的图像是这样编码的，所以是的，你会得到更大的图像。