PDFの透明テキスト削除

PDFの透明テキスト削除について

検索できるスキャンPDFは、たいてい2層になっています。見えているのはスキャン画像で、その上の同じ位置にOCRが認識した文字が「見えない状態」で重なっています。PDFの仕様では、この透明さをテキスト描画モード3（塗りも輪郭も描かない）で表します。

OCRの誤認識や、テキスト層が二重に載ったせいで検索・コピーの結果がおかしいとき、このツールはその透明な文字だけを消し、スキャン画像は1バイトも変えずに残します。OCRをやり直す前の下処理として使うのが一般的です。

何を消すのか、本当にファイルから消えるのか

各ページのコンテンツストリーム（と、そこから呼ばれるForm XObject）をテキストオブジェクト（BT…ET）単位で読み、文字を描く命令がすべて描画モード3で実行されるブロックを削除します。描画モードはグラフィックス状態なのでBT/ETをまたいで続き、q/Qで保存・復元されるため、ストリーム全体（1ページの複数ストリームを含む）でモードを追跡して判定します。ブロック内に「3 Tr」がなく前のブロックの設定を引き継いだブロックも一緒に消え、消したブロックが設定していたフォントやモードなどの状態命令はその場に残すので、後続の内容は以前と同じように描かれます。書き換えたストリームは同じオブジェクト番号で圧縮し直し、ファイル全体を書き直すため、消した文字が以前の版としてファイル末尾に残ることはありません。

残るものもあります。OCR層が使っていたフォントオブジェクトはリソースに残り、文書情報やXMPメタデータも変更しません。ファイル構造そのものは「PDFファイルの中身」ガイドで解説しています。

隠れた文字でも対象外になるもの

判定に使うのは描画モード3だけです。次のものはそのまま残ります。

• 白地の白文字、0.1ptのような極小文字、ページ外の座標に置かれた文字
• 画像の後ろに隠れた通常の文字
• Form XObjectの中でモードを設定せず、そのFormを呼び出す側の3 Trを引き継いで透明になっている文字（Formはモード0から始まるものとして検査するため、削除せずに残します）
• 見える文字とモード3の文字が1つのブロックに混在するもの（例：先に文字を見える状態で描いてからモード3に切り替えた場合）。見える文字を消さないよう、ブロック全体を残します

例

使い方

1. スキャンPDFを選びます。全ページが対象で、読み込むとすぐ削除後の状態がプレビューされます。
2. 実行後、削除されたブロック数と変更されたストリーム数を確認します。
3. 結果を開き、見た目は同じで文字だけ選べないことを確かめ、必要ならOCRをやり直します。

よくある質問