Question

我有超过30,000个pdf文件。有些文件已经是OCR而有些则不是。有没有办法找出哪些文件已经过OCR，哪些pdf只是图像？

如果我通过OCR处理器运行每个文件，将会永远。

Answer 1

我会编写一个小脚本来从PDF文件中提取文本，看它是否为“空”。如果有文本，PDF已经被OCRed。您可以使用ghostscript或XPDF来提取文字。

编辑：这应该让你开始：

foreach ($pdffile in get-childitem -filter *.pdf){
    $pdftext=invoke-expression ("\path\to\xpdf\pdftotext.exe '"+$pdffile.fullname+"' -");
    write-host $pdffile.fullname
    write-host $pdftext.length;
    write-host $pdftext;
    write-host "-------------------------------";
}

不幸的是，即使您的PDF pdftotext中只包含图像，也会提取一些文字，因此您需要做更多工作来检查是否需要OCR pdf。

Answer 2

XPDF以不同的方式为我工作。但不确定这是正确的方法。

带图片的PDF文件也提供了文字内容。所以我使用 pdffonts.exe 来验证字体是否嵌入到文档中。在我的例子中，所有图像文件都显示“没有”＃39;对于内含价值。

to be extracted

所有可搜索的PDF都给出了“是”＆＃39;

> Config Error: No display font for 'Symbol' 
> Config Error: No display font for 'ZapfDingbats' 
> name                                 type              emb sub uni object ID
> ------------------------------------ ----------------- --- --- --- --------- 
> Helvetica                            Type 1            no  no  no       7  0

Answer 3

我发现TotalCmd有一个可以处理此问题的插件： https://totalcmd.net/plugring/pdfOCR.html

pdfOCR是wdx插件，可发现其中有多少页PDF文件当前目录需要字符识别（OCR），即多少 PDF文件中的页面布局中没有可搜索的文本。这是在准备文档的PDF文件时最需要或归档系统。通常在他们需要的PDF文件中之前要从扫描版本转换为文本可搜索形式它们包含在任何文档中，以便进行手动操作或自动文本搜索。 Total Commander的pdfOCR插件实现了图书馆员的需求，方法是呈现图像的页面数仅不包含任何文本。显示扫描的页数在“ needOCR”列中。通过将needOCR页数与可以决定是否需要PDF文件的总页数其他OCR处理。

如何识别需要OCR的PDF文件？

3 个答案: