pdf - 如何识别需要OCR的PDF文件？

Question

我有超过 30,000 个 pdf 文件。有些文件已经是 OCR 了，有些还不是。有没有办法找出哪些文件已经进行了 OCR 处理，哪些 pdf 只是图像？

如果我通过 OCR 处理器运行每个文件，这将永远需要。

Answer 1

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

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 中只有图像 pdftotext将提取一些文本，因此您将需要做更多的工作来检查是否需要对 pdf 进行 OCR。