bash脚本来检查PDF的是ocr'd

Question

不知道从哪里开始对这个真的

我有超过8000 PDF格式的Linux服务器，并需要知道哪些PDF的已ocr'd和一个人的天堂“T。

正想着某种脚本中调用XPDF的检查的PDF，但说实话不知道这是否可能提前

感谢所有帮助

Answer 1

请确保您有安装一个命令行工具pdffonts。 （这方面有两个版本：一个船舶为xpdf-utils的一部分，其他的poppler-utils的一部分）

所有PDF其中包括扫描的页面不但不会有使用（没有嵌入那些任何字体，也未嵌入式）。

命令行

pdffonts /path/to/scanned.pdf 

也就那么不显示该文件的任何字体信息。

这可能已经足够让您将文件分成两个不同的集合。

如果您的PDF包含扫描页面和“普通”页面（或已扫描页面），那么您将不得不扩展并完善上述简单化方法。有关更多信息，请参阅man pdffonts或pdffonts --help。

Answer 2

与pdffonts麻烦的是，有时它没有返回，就像这样：

name         type    emb sub uni object ID 
------------------------------------ ----------------- --- --- --- --------- 

有时它返回：

name         type    emb sub uni object ID 
------------------------------------ ----------------- --- --- --- --------- 
[none]        Type 3   yes no no  266 0 
[none]        Type 3   yes no no  9 0 
[none]        Type 3   yes no no  297 0 
[none]        Type 3   yes no no  341 0 
[none]        Type 3   yes no no  381 0 
[none]        Type 3   yes no no  394 0 
[none]        Type 3   yes no no  428 0 
[none]        Type 3   yes no no  441 0 
[none]        Type 3   yes no no  451 0 
[none]        Type 3   yes no no  480 0 
[none]        Type 3   yes no no  492 0 
[none]        Type 3   yes no no  510 0 
[none]        Type 3   yes no no  524 0 
[none]        Type 3   yes no no  560 0 
[none]        Type 3   yes no no  573 0 
[none]        Type 3   yes no no  584 0 
[none]        Type 3   yes no no  593 0 
[none]        Type 3   yes no no  601 0 
[none]        Type 3   yes no no  644 0 

考虑到这一点，让我们写一个小的文本工具从PDF获取所有字体：

pdffonts my-doc.pdf | tail -n +3 | cut -d' ' -f1 | sort | uniq 

如果您的PDF不是OCR'编辑，这将不会输出或[none]。

如果你想让它跑得更快，使用-l标志只分析，比方说，前5页：

pdffonts -l 5 my-doc.pdf | tail -n +3 | cut -d' ' -f1 | sort | uniq 

现在它包装在一个bash脚本，例如is-pdf-ocred.sh：

#!/bin/bash 
MYFONTS=$(pdffonts -l 5 "$1" | tail -n +3 | cut -d' ' -f1 | sort | uniq) 
if [ "$MYFONTS" = '' ] || [ "$MYFONTS" = '[none]' ]; then 
    echo "NOT OCR'ed: $1" 
else 
    echo "$1 is OCR'ed." 
fi 

最后，我们希望能够搜索pdf。 find命令不知道.bashrc中的别名或函数，所以我们需要给它脚本的路径。 运行在你选择的目录，如下所示：

find . -type f -name "*.pdf" -exec /path/to/my/script/is-pdf-ocred.sh '{}' \; 

我假设的PDF文件结束.pdf，虽然这并不总是你可以做一个假设。 你可能会想管就少或输出到文本文件：

find . -type f -name "*.pdf" -exec /path/to/my/script/is-pdf-ocred.sh '{}' \; | less 
find . -type f -name "*.pdf" -exec /path/to/my/script/is-pdf-ocred.sh '{}' \; > pdfs.txt 

我能够使用-l 5标志做约200 PDF文件在一点点超过10秒。