Проверьте, является ли файл PDF отсканированным

Question

Как лучше всего программно проверить, является ли файл PDF полностью отсканированным? У меня есть iText и PDFBox. Я могу проверить, содержит ли файл PDF текст или нет, и в зависимости от результата решить, является ли этот файл OCRed, но это решение не на 100% точно Я хотел бы знать, есть ли другой способ справиться с проблемой.

Как вы понимаете, решение должно основываться на Java.

Answer 1

Лучше всего проверить, есть ли в нем текст, а также посмотреть, содержит ли оно изображение большого размера или множество мозаичных изображений, которые покрывают страницу. Если вы также проверите метаданные, это должно охватывать большинство вариантов.

Answer 2

Вы можете проверить, есть ли в PDF какие-либо ресурсы шрифтов (довольно хороший показатель того, содержит ли документ какие-либо шрифты), используя функцию HasFontResources в Quick PDF Library Lite - бесплатный ActiveX компонент, который теоретически можно использовать из Java с помощью стороннего дополнения.

Проверка ресурсов текста / шрифта является наиболее точным методом определения того, возможно ли, что PDF был сгенерирован в процессе сканирования. Это в сочетании с предложением Марка Стивенса о поиске изображения большого размера и т. Д.

Но, к сожалению, не существует 100% гарантированного точного метода проверки того, был ли отсканирован PDF.

Answer 3

ИМХО, вы не можете решить это точно. Но вы можете попробовать некоторые вещи, такие как поиск текста, попытка распознавания PDF-файла и, исходя из объема распознанного текста, вы можете найти некоторые основные ошибки сканирования, такие как затухание или поля бумаги / книги.

Answer 4

find ./ -name "*.pdf" -print0 | xargs -0 -I {} bash -c 'export file="{}"; if [ $(pdffonts "$file" 2> /dev/null | wc -l) -lt 3 ]; then echo "$file"; fi'

Объяснение: pdffonts file.pdf покажет более 2 строк, если pdf содержит текст. Выводит имена файлов всех PDF-файлов, которые не содержат текст, поэтому сканируются PDF-файлы.

Answer 5

Я просто сужу по размеру. Отсканированные документы неоправданно велики. Для 1000 страниц, мое эмпирическое правило, истинный текст pdf: 1-20 М, отсканированное может быть до 30-100 М *

Answer 6

Знаете ли вы, как документ был бы отсканирован, если бы это было? Хотя элемент метаданных «Создатель» не является обязательным, он может оказаться полезным, если ваш сканер установит его.