如何用 OCRmyPDF 的 --mode strip 移除 PDF 中已有的不可见 OCR 文字层-平芜编程栈

如何用 OCRmyPDF 的 --mode strip 移除 PDF 中已有的不可见 OCR 文字层

【免费下载链接】OCRmyPDFOCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched项目地址: https://gitcode.com/GitHub_Trending/oc/OCRmyPDF

当你手里的扫描 PDF 被做过一次质量不好的 OCR——文字层还在，但搜不到东西或认读结果无用——通常的做法是重新 OCR，但那样会把页面栅格化重做一遍。如果你的目的只是把这一层不可见文字从文件里删掉、让页面保持原样，OCRmyPDF v17.6.0 起提供的--mode strip就是为这个任务设计的：它只移除以“不可见”方式（PDF 文本渲染模式 3）绘制的 OCR 文字层，不做栅格化，不改图像和可见内容，输出文件通常比输入更小。

前提条件：

已安装 OCRmyPDF 命令行工具，版本不低于 v17.6.0（--mode参数在 v17.0.0 引入，strip模式在 v17.6.0 增加，见 v17 发布说明）。安装方式参见安装文档；
输入 PDF 中确实存在要移除的文字层。

执行移除：一条命令

标准用法是：

ocrmypdf --mode strip input.pdf output.pdf

input.pdf是带 OCR 文字层的原文件，output.pdf是输出文件，两者都可以替换为你自己的路径。执行完成后，输出文件中不再有那层不可见文字，而页面图像和可见内容保持不变——v17 发布说明对这一行为的描述是：与--ocr-engine none --force-ocr不同，它不会栅格化页面，因此“images and visible content are preserved unchanged and the output is smaller rather than larger”。

如果输入 PDF 同时含有可见文字（比如数字原生生成的页面），这些文字不会被 strip 移除：--mode strip只移除以渲染模式 3 绘制的不可见文本（见 Cookbook 中 “Remove the OCR text layer from my PDF” 一节）。仓库中的测试 tests/test_strip.py 明确验证了这一点——对一个数字原生的文字 PDF 执行 strip 后，has_text仍为真。

原地修改文件

如果不想产生第二个文件，可以直接让输出覆盖输入：

ocrmypdf myfile.pdf myfile.pdf

按 Cookbook 的说明，只有 OCRmyPDF 执行成功时文件才会被覆盖；失败时原文件保持不变。

验证结果

判断是否按预期完成，可以核对以下几点，均与仓库测试 tests/test_strip.py 中固化下来的断言一致：

文字层已移除：对输出文件做详细分析时，原先含文字的页面has_text为假。测试test_mode_strip_removes_ocr_layer用PdfInfo(pdf, detailed_analysis=True)检查了这一点；
页面未被栅格化：输出文件中页面的图像流与输入逐字节相同。测试通过pikepdf读取第 1 页/Resources/XObject中每个 Image 对象的read_raw_bytes()并断言相等；
文件没有变大：输出文件大小小于或等于输入（测试断言out.stat().st_size <= input_pdf.stat().st_size）；
页数不变：输出仍为同样页数。

测试里另外使用了--output-type pdf --optimize 0，作用是跳过 PDF/A 转换和图像重编码干扰，保证“图像逐字节不变”这个断言成立。如果你只关心文字层被移除、不要求图像字节级不变，按标准命令执行即可；如果要求图像完全不受影响，可参考测试的写法追加这两个参数：

ocrmypdf --mode strip --output-type pdf --optimize 0 input.pdf output.pdf

边界与限制

strip 无法移除“可见式”OCR 文字。Cookbook 指出，一些 OCR 产品（包括 OCRmyPDF v2.2 及更早版本）的 OCR 文字是以可见文字加一张不透明图片覆盖的方式绘制的，这种文字属于页面可见内容的一部分，--mode strip不动它。若必须连这类文字也一并去掉，需要把整页栅格化成纯图像 PDF：
```
ocrmypdf --ocr-engine none --force-ocr input.pdf output.pdf
```
注意这是另一条路径：每页都会重建为图像，文件通常变大，矢量内容会丢失。
strip 模式拒绝需要栅格化/OCR 的选项。测试test_mode_strip_rejects_image_processing_options表明，--mode strip与--deskew这类选项同用会抛出BadArgsError。strip 只做“摘掉文字层”这一件事，不能与其他图像处理选项组合。
与重做 OCR 的区别：如果你的目标是“去掉旧文字层并重新识别”，应该用--mode redo（等价于旧的--redo-ocr），它会在移除旧不可见文字层后重新执行 OCR；各模式的完整对照表见高级文档 “OCR processing mode”一节。strip 只删不加，处理完成后文件里将没有可搜索的文字。

【免费下载链接】OCRmyPDFOCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched项目地址: https://gitcode.com/GitHub_Trending/oc/OCRmyPDF

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

如何用 OCRmyPDF 的 --mode strip 移除 PDF 中已有的不可见 OCR 文字层