如何以编程方式确定PDF是否可搜索？

Question

我的CSV包含带PDF的网址列表：

• 其中一些PDF可供搜索。
• 其中一些PDF文件无法搜索。

我想确定哪些PDF可以从我的PDF列表中搜索到。是否有捷径可寻？

Answer 1

在命令行上，我使用pdffonts来确定文件使用的字体。这运行得相当快......

示例1：包含文本的PDF

pdffonts bash-manpage.pdf 

  name                            type          encoding        emb sub uni object ID
  ------------------------------- ------------- --------------- --- --- --- ---------
  Times-Roman                     Type 1        Custom          no  no  no       8  0
  Times-Bold                      Type 1        Standard        no  no  no       9  0
  Helvetica                       Type 1        Custom          no  no  no      11  0
  Helvetica-Bold                  Type 1        Standard        no  no  no      30  0

示例2：仅包含图像的PDF

pdffonts scanned-book.pdf

  pdffonts handmade.pdf 
  name                            type           encoding       emb sub uni object ID
  ------------------------------- -------------- -------------- --- --- --- ---------

1. 示例1显示了一个包含字体名称的表。这意味着要搜索 IS 文字。

2. 示例2显示了一个空表。没有字体，没有要搜索的文本（除非你在文件上运行OCR首先嵌入任何找到的文本......但是你创建了一个不同的文件！），不要回头看看这些...

注意：要成功实际提取嵌入的文本，因此能够搜索它是一个完全不同的问题。在许多情况下，您会发现它非常困难 - 特别是如果您在字体'表格中看到CID Type字体类型与'自定义'编码。您可能首先要从PDF中搜索其他questions that were asked about text extraction的stackoverflow ...