检查PDF是否可搜索

Question

我写了一个bash脚本，从扫描的PDF文件中提取纯文本。我有很多PDF文件，但有些是扫描的，有些则不是。所以现在我的主要目标是通过检查PDF是否已经可以搜索来改进我的脚本，所以不需要OCR提取。

我已经试过：

pdftext -nopgbrk pdf_file.pdf wordlist

存储可能OCR'ed文字wordlist，所以后来我可以检查它是否是空的，并找出是否是一个可搜索的PDF或没有。

我也试过pdffonts pdf_file.pdf来检查该PDF中是否有字体，因此是否有文字。

这两种方式工作很好，但在某些情况下失败。

例如，我需要OCR的一些PDF需要数字签名，而这些签名始终为PDF添加文本图层。所以，当我运行这两个命令中的任何一个时，它将输出签名的文本或它使用的字体。就好像它是因为签名而发现了纯文本一样。它可能只是一个带有数字签名的扫描PDF，但会被检测为纯文本PDF。

数码引援总是添加文字这种方式（使用Helvetica字体）：名称

日期：日期CEST

公司：公司名称

通过签名

所以：

pdftext -nopgbrk pdf_file.pdf wordlist | grep -v -E 'Signed|Date|Company'

我可以设法删除这些行，所以如果它真的是扫描的PDF，输出将为空。

它工作的一些PDF的，直到我注意到有一些其他格式的签名，所以我觉得这是相当多的解决方法，而不是一个很好的解决方案。

有什么方法可以检查PDF是否完全可搜索？我只需要一种方法来提取PDF文本，但省略了数字签名。另外grep -v将总是取决于我们的数字签名的格式，如果它改变，那么它会搞砸我的脚本。

谢谢。

Answer 1

不幸的是，如果没有对文件进行更多的涉及分析，这将远远超出bash脚本的范围和规模，那么真的不是一种简单的方法来以“非hacky”的方式来做到这一点。

当pdftotext输出数字签名的文本时，该文本不是来自数字签名本身。这是作为对象存储在PDF中的，其中元数据pdftotext将被忽略。相反，pdftotext拿起来就是：文本也被添加到文件中。

下面是Adobe's sample signed PDF document的一个示例。首先，数字签名的元数据：

在此可以被插入到文档中的文本：

技术上讲，你可以有一个没有其他，有通常伴随数字签名的文本没有建立的格式。因此，您被卡住了：

• 忽略具有grep的特定文本，因为您现在正在执行此操作，这可能是不可靠的。
• 对所有文件运行OCR，然后检查文本在OCR之前/之后是否存在差异，但是这首先破坏了检查的整体目的。