我最近设置了一个Linux服务器，可以使用pdftotext命令将基于文本的PDF转换为文本，该命令是Xpdf的一部分，也可以使用以下方法将基于图像的PDF转换为文本gs（Ghostscript）和tesseract命令的组合。
当我已经知道PDF是基于文本还是基于图像时，两种解决方案都能很好地工作。但是，为了自动化将许多PDF转换为文本的过程，我需要能够判断PDF是基于文本还是基于图像，以便我知道在PDF上运行哪组过程。
PHP中有没有办法分析PDF并判断它是基于文本还是基于图像，以便我知道是否使用Xpdf或Ghostscript / Tesseract？
答案 0 :(得分：1)
我认为Kurt Pfeifle here的答案很棒：使用pdffonts-也是Xpdf / Poppler的一部分-列出PDF使用的字体。
如果使用任何字体，则包含文本。如果没有，则仅包含图像。
答案 1 :(得分：0)
比较输出并判断OCR运行的结果文本是否与Xpdf运行的输出相同是一项非常重要的任务。对于不可OCRable的PDF文本（例如非常小的字母），文本可以通过xpdf提取，你甚至会以很多不必要的胡言乱语结束。
我建议从PDF和OCR中提取图像，而不是完整的PDF。这样
由于您已经在使用xpdf，因此可以使用pdfimages -all来提取图像。
[1]这不是100％正确，因为PDF可能是夹在中的PDF，其中图像后面已经有一个OCR文本层。