检查PDF文件是否为扫描文件

Question

以编程方式检查PDF文件是否完全扫描的最佳方法是什么？ 我有iText和PDFBox供我使用。我可以检查pdf文件是否包含文本，并根据结果来确定此文件是否为OCR，但此解决方案不是100％准确。我想知道是否有另一种方法可以解决这个问题。

如您所知，解决方案必须基于Java。

Answer 1

您最好的选择可能是检查它是否有文字，还可以查看它是否包含大页面图像或大量覆盖页面的平铺图像。如果您还检查元数据，则应涵盖大多数选项。

Answer 2

恕我直言，你无法确定。但你可以尝试一些东西，如寻找文本，尝试OCR pdf，并根据识别的文本数量决定，你可以寻找一些基本的扫描错误，如淡出或纸/书边距。

Answer 3

您可以使用Quick PDF Library Lite中的HasFontResources函数检查PDF是否包含任何字体资源（很好地指示文档是否包含任何字体） - 一个免费的ActiveX组件，您可以使用它从理论上讲，在第三方插件的帮助下从Java中使用。

检查文本/字体资源是确定是否可以从扫描过程生成PDF的最准确方法。再加上马克斯蒂芬斯建议寻找大页面大小的图像等等。

但不幸的是，没有任何100％保证准确的方法来检查PDF是否被扫描。

Answer 4

您是否了解如何扫描文档，如果是的话？虽然“Creator”元数据项不是强制性的，但如果您的扫描仪设置它，它可能是一个有用的线索。

Answer 5

我只是按尺寸判断。扫描的文件不合理。直到1000页，我的经验法则是，真实文本pdf：1-20 M，扫描的可以达到30到100 M.

Answer 6

find ./ -name "*.pdf" -print0 | xargs -0 -I {} bash -c 'export file="{}"; if [ $(pdffonts "$file" 2> /dev/null | wc -l) -lt 3 ]; then echo "$file"; fi'

说明：如果pdf包含文本，pdffonts file.pdf将显示2行以上。输出所有不包含文本的pdf文件的文件名，因此扫描PDF文件。