linux - 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，这样就不需要 OCR 提取。

我已经尝试过:

pdftext -nopgbrk pdf_file.pdf 单词列表

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

我还尝试过 pdffonts pdf_file.pdf 来检查该 PDF 中是否有字体，以及其中是否有文本。

这两种方法都工作得很好，但在某些情况下会失败。

例如，我需要 OCR 的一些 PDF 是经过数字签名的，并且这些签名总是会向 PDF 添加文本层。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其正在使用的字体。就好像它仅仅因为签名就找到了纯文本一样。它可能只是带有数字签名的扫描 PDF，但会被检测为纯文本 PDF。

数字签名始终以这种方式添加文本(使用 Helvetica 字体):

签名人:姓名

日期:中欧夏令时日期

公司:公司名称

所以:

pdftext -nopgbrk pdf_file.pdf 单词列表 | grep -v -E '签名|日期|公司'

我可以设法删除这些线条，因此如果它确实是扫描的 PDF，则输出将为空。

它对某些 PDF 有效，直到我注意到有其他格式的签名，所以我觉得这只是一种解决方法，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。另外，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，如果不对文件进行更多的分析，确实没有一种简单的方法可以以“非黑客”的方式做到这一点，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。它作为一个对象存储在 PDF 中，其中包含 pdftotext 忽略的元数据。相反，pdftotext 拾取的只是:也已添加到文件中的文本。

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，您可以拥有一个而无需另一个，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:

• 像您现在所做的那样，使用 grep 忽略特定文本，这可能不可靠。
• 对所有文件运行 OCR，然后检查 OCR 前后的文本是否存在差异，但这违背了检查的全部目的。