如何识别需要OCR的PDF文件？

Question

我有超过 30,000 个 pdf 文件。有些文件已经是 OCR，有些则不是。有没有办法找出哪些文件已经被 OCR 识别以及哪些 pdf 文件只是图像？

如果我通过 OCR 处理器运行每个文件，那将需要很长时间。

Answer 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 ORed。您可以使用 ghostscript 或 XPDF 提取文本。

编辑：
这应该可以帮助您入门：

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是否需要 OCR pdf。

Answer 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。因此，我使用pdffonts.exe来验证字体是否嵌入在文档中。在我的例子中，所有图像文件的嵌入值都显示为“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

Answer 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，可以发现 PDF 文件有多少页
当前目录需要字符识别（OCR），即有多少个
PDF 文件中的页面布局中没有可搜索的文本。这是
当人们为自己的文档准备 PDF 文件时最需要它
或归档系统。通常在工作中需要处理 PDF 文件
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
通过呈现图像页数来满足图书馆员的需求
仅不包含任何文字。显示扫描页数
在“需要OCR”栏中。通过比较 needOCR 页数与
可以决定 PDF 文件是否需要的总页数
额外的 OCR 处理。

Answer 4

以下脚本将递归查找需要 OCR 的文件。您需要从您最喜欢的来源获取pdftotext。我使用Cygwin来安装它。

#!/bin/bash
find . -name "*.pdf" | while read file; do
if [ -z "$(pdftotext "$file" - | sed 's/\s//g')" ]; then
echo $file
fi
done

我使用以下脚本将需要 OCR 的文件移动到子文件夹中，以便可以从 Acrobat 执行批量 OCR。您可以使用您选择的命令行工具直接运行 OCR。

#!/bin/bash
mkdir ocr
for file in *.pdf; do
echo $file
if [ -z "$(pdftotext "$file" - | sed 's/\s//g')" ]; then
mv "$file" ocr
fi
done

Answer 5

您可以使用桌面搜索工具“dtSearch”扫描文件夹或整个驱动器。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 的列表（如果有）。