search - 如何知道 PDF 是否仅包含图像或已进行 OCR 扫描以进行搜索？

Question

我有一堆来自扫描文档的 PDF 文件。这些文件包含图像和文本的混合。有些被扫描为没有 OCR 的图像，因此每个 PDF 页面都是一个大图像，即使整个页面完全是文本。其他人使用 OCR 扫描，并包含图像和可搜索文本，其中存在文本。在许多情况下，甚至可以搜索图像中的单词。

我想使用 Acrobat 8​​ Pro 使用 OCR 进行自动处理以识别所有扫描文档中的文本，但我不想对过去已经通过 OCR 处理的文件进行重新 OCR。有谁知道是否有办法分辨哪些只包含图像，哪些已经包含可搜索的文本？

我计划在 C# 或 VB.NET 中执行此操作，但我认为无法区分这两种文件取决于语言。

Answer 1

已转换为 PDF 的扫描图像在之后经过 OCR 处理以使文本可搜索，通常包含呈现为“不可见”的文本部分。因此，您在屏幕上(或打印时在纸上)看到的仍然是原始图像。但是当你搜索 成功后，您会突出显示隐藏文本上的命中。

我建议您查看 XPDF 派生的命令行工具 pdffonts(.exe) , pdfinfo(.exe)和 pdftotext(.exe) .请参阅此处下载:http://www.foolabs.com/xpdf/download.html

pdffonts 的示例用法:

C:\downloads\> pdffonts cisco-ip-phone-7911-guide6.1.pdf
name                                 type              emb sub uni object ID
------------------------------------ ----------------- --- --- --- ---------
LGOKFL+Univers-BlackOblique          Type 1C           yes yes no   13171  0
LGOKGM+Univers-Black                 Type 1C           yes yes no   13172  0
[....]

此 PDF 使用字体(由“名称”列表示)、嵌入字体(由“emb”列中的"is"表示)并使用子集字体(由“子”列中的"is"表示)。

C:\downloads\> pdffonts examle1.pdf
name                                 type              emb sub uni object ID
------------------------------------ ----------------- --- --- --- ---------
Univers-BlackOblique                 Type 1C           yes no  no   14    0
Arial                                TrueType          no  no  no   15    0

此 PDF 使用 2 种字体(由“名称”列指示)。字体“Universe-BlackOblique”已完全嵌入(由“emb”栏中的“yes”和“sub”栏中的“no”表示)。也使用了字体“Arial”，但没有嵌入。

C:\downloads\> pdffonts examle2.pdf
name                                 type              emb sub uni object ID
------------------------------------ ----------------- --- --- --- ---------

此 PDF 不使用单一字体，因此没有嵌入任何文本(因此也没有 OCR)。

pdftotext 的示例用法:

C:\downloads\> pdftotext ^
                   -layout ^
                   cisco-ip-phone-7911-guide6.1.pdf ^
                   cisco-ip-phone-7911-guide6.1.txt

这将从 PDF 中提取所有文本字符串(尝试保留原始布局的一些相似之处)。如果 PDF 中没有文本，您就会知道没有 OCR...