检查 PDF 是否可搜索

Question

我编写了一个 bash 脚本，用于从扫描的 PDF 文件中提取纯文本。我有很多 PDF，但有些是扫描的，有些不是。所以现在我的主要目标是通过检查 PDF 是否已经可搜索来改进我的脚本，因此不需要提取 OCR。

我试过了：

pdftext -nopgbrk pdf_file.pdf wordlist

将可能的 OCR 文本存储在 wordlist 中，然后我可以检查它是否为空并确定它是否是可搜索的 PDF。

我还尝试pdffonts pdf_file.pdf 检查该 PDF 中是否有字体，因此是否有文本。

这两种方法都很好，但在某些情况下会失败。

例如，我需要 OCR 的一些 PDF 是数字签名的，并且这些签名总是为 PDF 添加一个文本层。因此，当我运行这两个命令中的任何一个时，它将输出签名的文本或它使用的字体。就像它仅仅因为签名就找到了纯文本。它可能只是带有数字签名的扫描 PDF，但它会被检测为纯文本 PDF。

数字签名总是以这种方式添加文本（使用 Helvetica 字体）：

签名者：姓名

日期：CEST 日期

公司：公司名称

所以：

pdftext -nopgbrk pdf_file.pdf wordlist | grep -v -E 'Signed|Date|Company'

我可以设法删除这些行，因此如果它真的是扫描的 PDF，则输出将为空。

它适用于某些 PDF，直到我注意到具有其他格式的签名，所以我觉得这几乎是一种变通方法，而不是一个很好的解决方案。

有什么方法可以检查 PDF 是否完全可搜索？我只需要一种提取 PDF 文本但省略数字签名的方法。此外grep -v 将始终取决于我们的数字签名的格式，如果它发生变化，那么它会搞砸我的脚本。

谢谢。

Answer 1

不幸的是，真的没有一种简单的方法可以以“非 hacky”的方式执行此操作，而无需对文件进行更多涉及的分析，这将远远超出 bash 脚本的范围和规模。

当pdftotext 输出数字签名的文本时，该文本并非来自数字签名本身。它以对象的形式存储在 PDF 中，带有 pdftotext 忽略的元数据。相反，pdftotext 得到的只是：文本也已添加到文件中。

这是来自Adobe's sample signed PDF document 的示例。一、数字签名的元数据：

这是插入到文档中的文本：

从技术上讲，您可以有一个没有另一个，并且通常伴随数字签名的文本没有既定的格式。因此，您要么陷入困境：

• 使用 grep 忽略特定文本，就像您现在所做的那样，这可能不可靠。
• 对所有文件运行 OCR，然后检查 OCR 之前/之后的文本是否存在差异，但这首先破坏了检查的全部目的。