bash腳本來檢查PDF的是ocr'd

Question

不知道從哪裏開始對這個真的

我有超過8000 PDF格式的Linux服務器，並需要知道哪些PDF的已ocr'd和一個人的天堂「T。

正想着某種腳本中調用XPDF的檢查的PDF，但說實話不知道這是否可能提前

感謝所有幫助

Answer 1

請確保您有安裝一個命令行工具pdffonts。 （這方面有兩個版本：一個船舶爲xpdf-utils的一部分，其他的poppler-utils的一部分）

所有PDF其中包括掃描的頁面不但不會有使用（沒有嵌入那些任何字體，也未嵌入式）。

命令行

pdffonts /path/to/scanned.pdf 

也就那麼不顯示該文件的任何字體信息。

這可能已經足夠讓您將文件分成兩個不同的集合。

如果您的PDF包含掃描頁面和「普通」頁面（或已掃描頁面），那麼您將不得不擴展並完善上述簡單化方法。有關更多信息，請參閱man pdffonts或pdffonts --help。

Answer 2

與pdffonts麻煩的是，有時它沒有返回，就像這樣：

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

有時它返回：

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 

考慮到這一點，讓我們寫一個小的文本工具從PDF獲取所有字體：

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

如果您的PDF不是OCR'編輯，這將不會輸出或[none]。

如果你想讓它跑得更快，使用-l標誌只分析，比方說，前5頁：

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

現在它包裝在一個bash腳本，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 

最後，我們希望能夠搜索pdf。 find命令不知道.bashrc中的別名或函數，所以我們需要給它腳本的路徑。 運行在你選擇的目錄，如下所示：

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

我假設的PDF文件結束.pdf，雖然這並不總是你可以做一個假設。 你可能會想管就少或輸出到文本文件：

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 

我能夠使用-l 5標誌做約200 PDF文件在一點點超過10秒。