r - 如何检查PDF是否是扫描图像或包含R中的文本

Question

我正在 R 中对多个 PDF (>1000) 进行结构方程模型。

但是，有些 PDF 是可读的，而其他 PDF 是扫描的，即我需要通过 OCR 功能运行它们。

因此，我需要找到一种方法来自动识别哪些 PDF 包含文本，哪些不包含文本。具体来说，我希望找到一种方法来返回给定的 PDF 是否应该通过 OCR 运行。

有谁知道 R 中的任何函数或包可能有助于实现此目的 - 我可以找到一些 Python 解决方案，但无法识别 R 中的一些解决方案。

Answer 1

您可以使用这样的方法(正如 @danlooo 已经建议的那样，但我想把它拼写出来):

files <- list.files("/home/johannes/pdfs/",
                    pattern = ".pdf$",
                    full.names = TRUE)

pdfs_l <- lapply(files, function(f) {
  out <- pdftools::pdf_text(f)
  # I set the test to an arbitrary number of characters, it works for me but you want
  # to maybe fine tune it a bit
  contains_text <- nchar(out) > 15
  if (!contains_text) {
    out <- pdftools::pdf_ocr_text(f)
  }
  data.frame(text = out, ocr = !contains_text)
})

pdfs_l |>
  dplyr::bind_rows() |>
  dplyr::mutate(text = trimws(text)) |>
  tibble::as_tibble()
#> # A tibble: 22 × 2
#>    text                                                                    ocr  
#>    <chr>                                                                   <lgl>
#>  1 "TEAM MEMBERS:\n                                                      … FALSE
#>  2 "WS 21/22                                                             … FALSE
#>  3 "WS 21/22                                                             … FALSE
#>  4 "TEAM MEMBERS:\n                                                      … FALSE
#>  5 "TEAM MEMBERS:\n                                                      … FALSE
#>  6 "Key Concepts in Political Communication\n    @Agenda Setting, Priming… FALSE
#>  7 "Key Concepts in Political Communication\n    @Agenda Setting, Priming… FALSE
#>  8 "ELECTIONS AND CAMPAIGNS\n                                            … FALSE
#>  9 ""                                                                      TRUE 
#> 10 ""                                                                      TRUE 
#> # … with 12 more rows

^{由 reprex package 于 2022 年 2 月 10 日创建(v2.0.1)}