如何识别需要 OCR 的 PDF 文件？答案

【问题标题】：How to identify PDF files that need OCR?如何识别需要 OCR 的 PDF 文件？
【发布时间】：2011-12-06 03:41:51
【问题描述】：

我有超过 30,000 个 pdf 文件。有些文件已经是 OCR，有些不是。有没有办法找出哪些文件已经过 OCR 处理，哪些 pdf 只是图像？

如果我通过 OCR 处理器运行每个文件，这将永远需要。

【问题讨论】：

标签： pdf ocr

【解决方案1】：

我会编写一个小脚本来从 PDF 文件中提取文本并查看它是否为“空”。如果有文本，则 PDF 已被 OCRed。您可以使用ghostscript 或XPDF 来提取文本。

编辑：这应该可以帮助您开始：

foreach ($pdffile in get-childitem -filter *.pdf){
    $pdftext=invoke-expression ("\path\to\xpdf\pdftotext.exe '"+$pdffile.fullname+"' -");
    write-host $pdffile.fullname
    write-host $pdftext.length;
    write-host $pdftext;
    write-host "-------------------------------";
}

不幸的是，即使您的 PDF 中只有图像pdftotext 也会提取一些文本，因此您必须做更多的工作来检查您是否需要对 pdf 进行 OCR。

【讨论】：

感谢您的回答。至少你给了我一些思考。可以用 ghostscript 或 xpdf 构建 powershell 脚本吗？你有什么方便我可以试试的吗？再次感谢。
在我的回答中添加了一些脚本
@Fuji-H2O 我正在寻找相同的解决方案。我需要检查 pdf 是否至少有 1 张图片。我知道这是一个非常古老的问题，但如果你记得，请帮助我解决问题。
如果pdf既有文字又有图片怎么办？

【解决方案2】：

XPDF 以不同的方式为我工作。但不确定这是正确的方法。

我的带有图像的 PDF 也提供了文本内容。所以我使用 pdffonts.exe 来验证字体是否嵌入到文档中。在我的情况下，所有图像文件都显示嵌入值“否”。

> Config Error: No display font for 'Symbol' 
> Config Error: No display font for 'ZapfDingbats' 
> name                                 type              emb sub uni object ID
> ------------------------------------ ----------------- --- --- --- --------- 
> Helvetica                            Type 1            no  no  no       7  0

所有可搜索的 PDF 都给出“是”

> Config Error: No display font for 'Symbol'
> Config Error: No display font for 'ZapfDingbats'
> name                                 type              emb sub uni object ID
> ------------------------------------ ----------------- --- --- --- ---------
> ABCDEE+Calibri                       TrueType          yes yes no       7  0
> ABCDEE+Calibri,Bold                  TrueType          yes yes no       9  0

【讨论】：

【解决方案3】：

我发现 TotalCmd 有一个插件可以处理这个问题： https://totalcmd.net/plugring/pdfOCR.html

pdfOCR 是 wdx 插件，用于发现 PDF 文件的页数当前目录需要字符识别（OCR），即有多少 PDF 文件中的页面在其布局中没有可搜索的文本。这是在为自己的文档准备 PDF 文件时最需要或存档系统。通常在处理他们需要的 PDF 文件时之前从扫描版本转换为文本可搜索形式它们包含在任何文档中，以允许手动或自动文本搜索。 Total Commander 的 pdfOCR 插件实现了一个图书馆员的需求，通过呈现图像的页数只有不包含任何文字。显示扫描页数在“needOCR”列中。通过比较需要的OCR页数与可以决定 PDF 文件是否需要的总页数额外的 OCR 处理。

【讨论】：

【解决方案4】：

您可以使用桌面搜索工具“dtSearch”扫描文件夹或整个驱动器。在扫描结束时，它将显示所有“仅图像”PDF 的列表。此外，它还会显示“加密”PDF 列表（如果有）。

【讨论】：