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，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是否已经可搜索来改进我的脚本，因此不需要提取OCR .
我试过了：
pdftext -nopgbrk pdf_file.pdf wordlist
在 wordlist 中存储可能的OCR文本，那么我可以检查它是否是可搜索的PDF .
我也试过 pdffonts pdf_file.pdf 检查是否有_1663945的文字 .
两种方式都很好，但在某些情况下失败了 .
例如，我需要对OCR进行数字签名的一些PDF，这些签名总是为PDF添加文本层 . 因此，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正在使用的字体 . 这就像是因为签名而找到了纯文本 . 它可能只是带有数字签名的扫描PDF，但它将被检测为纯文本PDF .
数字签名总是以这种方式添加文本（使用Helvetica字体）：
签名：姓名
日期：CEST日期
公司：公司名称
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 .
它适用于一些PDF，直到我注意到有一些其他格式的签名，所以我觉得这几乎是一种解决方法而不是一个很好的解决方案 .
有没有办法检查PDF是否可以完全搜索？我只需要一种方法来提取PDF文本但省略数字签名 . 此外 grep -v 将始终取决于我们的数字签名's format and if it changes then it' ll搞砸了我的脚本 .
谢谢 .
1 回答
不幸的是，实际上没有一种简单的方法可以以“非hacky”的方式执行此操作，而无需对文件进行明显更多的分析，这将远远超出bash脚本的范围和规模 .
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 . 它被存储为PDF中的对象，其中包含pdftotext忽略的元数据 . 相反，pdftotext选择的只是：文本也被添加到文件中 .这是Adobe's sample signed PDF document的一个例子 . 首先，数字签名的元数据：
这是插入文档的文本：
从技术上讲，你可以拥有一个没有另一个，并且通常伴随数字签名的文本没有确定的格式 . 因此，你被困在了：
忽略
grep的特定文本，正如您现在所做的那样，这可能是不可靠的 .在所有文件上运行OCR，然后检查OCR之前/之后文本是否存在差异，但这样就无法完成首先检查的全部目的 .