python - 如何区分数字创建的 PDF 和可搜索的 PDF？

Question

我目前正在分析一组 PDF 文件。我想知道有多少 PDF 文件属于这 3 个类别：

• 数字创建的 PDF：文本在那里（可复制）并且保证是正确的，因为它是直接创建的，例如从 Word
• 仅图像 PDF：扫描的文档
• 可搜索的 PDF：扫描的文档，但使用了 OCR 引擎。OCR 引擎将文本放在图像“下方”，以便您可以搜索/复制内容。由于 OCR 非常好，因此大多数情况下这是正确的。但不保证正确。

由于每个 PDF 都包含文本，因此在我的域中识别纯图像 PDF 很容易。如果我无法提取任何文本，它只是图像。但是我怎么知道它是“只是”一个可搜索的 PDF 还是一个数字创建的 PDF？

顺便说一句，这并不像我看到的扫描文档那样简单，因为我看到了 Producer 字段显示“Microsoft Word”的扫描文档。

注意：作为人类，这很容易。我只是放大文字。如果我看到像素，它“只是”可搜索的。

以下是用于测试解决方案的 3 个示例 PDF 文件：

• 数字创建的 PDF
• 扫描的 PDF：嗯.. 不是真的；我使用脚本创建图像，然后将它们组合成 PDF。但这仅意味着质量非常好。它应该与扫描非常相似。
• 可搜索的 PDF

我尝试/想到的

• 使用创建者/制作者：我在扫描的文档中看到“Microsoft Word”。这也将是乏味的。
• 嵌入字体：您可以提取嵌入字体。这个想法是扫描的文档不会嵌入字体，而只是使用默认字体。从这个例子可以看出，这个想法是错误的。

标签： pythonpdf

Answer 1

使用 PyMuPDF，您可以轻松删除 @ypnos 建议所需的所有文本。

作为替代方案，您还可以使用 PyMuPDF 检查文本是否隐藏在 PDF 中。在 PDF 的相关“迷你语言”中，这是由命令触发的3 Tr（“文本渲染模式”，例如参见https://www.adobe.com/content/dam/acom/en/devnet/acrobat/pdfs/的第 402 页pdf_reference_1-7.pdf）。因此，如果所有文本都受此命令的影响，则不会呈现任何文本 - 允许得出“这是一个 OCR 页面”的结论。