检查PDF是否可搜索

Question

我编写了一个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，另一些则没有。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，所以不需要提取OCR。

我试过：

pdftext -nopgbrk pdf_file.pdf wordlist

要在wordlist中存储可能的OCR‘’ed文本，那么我可以检查它是否为空，并确定它是否为可搜索的PDF。

我还尝试过pdffonts pdf_file.pdf检查该PDF中是否有字体，因此是否有文本在上面。

这两种方法都很好，但在某些情况下却失败了。

例如，一些PDF我需要OCR是数字签名，而这些签名总是添加一个文本层到PDF。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使用的字体。就像它仅仅因为签名就找到了纯文本一样。它可能只是一个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

公司名称:公司名称

因此，在以下方面：

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

我可以设法删除这些行，所以如果它真的是一个扫描PDF，输出将是空的。

它适用于一些PDF，直到我注意到有其他格式的签名，所以我觉得这是一个工作，而不是一个很好的解决方案。

是否有任何方法来检查PDF是否完全可搜索？我只是需要一种方法来提取PDF的文本，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，如果不对文件进行更多的分析，而这将远远超出bash脚本的范围和规模，那么以“非黑客”的方式来完成这一任务并不是一件容易的事情。

当pdftotext输出用于数字签名的文本时，该文本并不来自数字签名本身。它作为一个对象存储在PDF中，其中包含pdftotext忽略的元数据。相反，pdftotext得到的只是:也添加到文件中的文本。

下面是来自Adobe的示例签名PDF文档的一个例子。首先，数字签名的元数据：

​

​

这是插入到文件中的案文：

​

​

从技术上讲，您可以拥有一个没有另一个，并且没有既定格式的文本通常伴随着数字签名。因此，你要么被困在：

• 使用grep忽略特定的文本，就像您现在所做的那样，这可能是不可靠的。
• 在所有文件上运行OCR，然后检查OCR前后的文本是否有差异，但这首先违背了检查的全部目的。