Question

不知道从哪里开始

我有一台超过8000个PDf的Linux服务器，需要知道哪些PDF已经过了，哪些没有。

正在考虑某种脚本调用XPDF检查pdf，但老实说不确定这是否可能

提前感谢您提供任何帮助

Answer 1

确保安装了命令行工具pdffonts。（这有两个版本：一个作为xpdf-utils的一部分发布，另一个作为poppler-utils的一部分。）

所有由扫描页面组成的PDF都不会使用任何字体（既不是嵌入式字体也不是非嵌入式字体）。

命令行

pdffonts /path/to/scanned.pdf

然后不显示该文件的任何字体信息。

这可能已足以让您将文件分成两组。

如果您的PDF具有混合扫描页面和“普通”页面（或已修整页面），那么您将不得不扩展和完善上述简单方法。有关详细信息，请参阅man pdffonts或pdffonts --help。

Answer 2

pdffonts的问题在于，有时它不会返回任何内容，例如：

name                                 type              emb sub uni object ID
------------------------------------ ----------------- --- --- --- ---------

有时它会返回：

name                                 type              emb sub uni object ID
------------------------------------ ----------------- --- --- --- ---------
[none]                               Type 3            yes no  no     266  0
[none]                               Type 3            yes no  no       9  0
[none]                               Type 3            yes no  no     297  0
[none]                               Type 3            yes no  no     341  0
[none]                               Type 3            yes no  no     381  0
[none]                               Type 3            yes no  no     394  0
[none]                               Type 3            yes no  no     428  0
[none]                               Type 3            yes no  no     441  0
[none]                               Type 3            yes no  no     451  0
[none]                               Type 3            yes no  no     480  0
[none]                               Type 3            yes no  no     492  0
[none]                               Type 3            yes no  no     510  0
[none]                               Type 3            yes no  no     524  0
[none]                               Type 3            yes no  no     560  0
[none]                               Type 3            yes no  no     573  0
[none]                               Type 3            yes no  no     584  0
[none]                               Type 3            yes no  no     593  0
[none]                               Type 3            yes no  no     601  0
[none]                               Type 3            yes no  no     644  0

考虑到这一点，让我们编写一个小文本工具来获取pdf中的所有字体：

pdffonts my-doc.pdf | tail -n +3 | cut -d' ' -f1 | sort | uniq

如果您的pdf未进行OCR，则不会输出任何内容或[none]。

如果您希望它运行得更快，请使用-l标记仅分析前5页：

pdffonts -l 5 my-doc.pdf | tail -n +3 | cut -d' ' -f1 | sort | uniq

现在将其包装在bash脚本中，例如is-pdf-ocred.sh：

#!/bin/bash
MYFONTS=$(pdffonts -l 5 "$1" | tail -n +3 | cut -d' ' -f1 | sort | uniq)
if [ "$MYFONTS" = '' ] || [ "$MYFONTS" = '[none]' ]; then
    echo "NOT OCR'ed: $1"
else 
    echo "$1 is OCR'ed."
fi

最后，我们希望能够搜索pdf。 find命令不知道.bashrc中的别名或函数，因此我们需要为它提供脚本的路径。在您选择的目录中运行它，如下所示：

find . -type f -name "*.pdf" -exec /path/to/my/script/is-pdf-ocred.sh '{}' \;

我假设pdf文件以.pdf结尾，尽管这并不总是您可以做出的假设。您可能希望将其管道为更少或将其输出到文本文件中：

find . -type f -name "*.pdf" -exec /path/to/my/script/is-pdf-ocred.sh '{}' \; | less
find . -type f -name "*.pdf" -exec /path/to/my/script/is-pdf-ocred.sh '{}' \; > pdfs.txt

我使用-l 5标志在10秒多一点内完成了大约200个pdf。

用于检查PDF的BASH脚本是ocr'd

2 个答案: