如何以编程方式确定PDF是否可搜索？

Question

我有一个CSV,其中包含带有PDF的网址列表:

• 其中一些PDF是可搜索的.
• 其中一些PDF文件无法搜索.

我想确定哪些PDF可以从我的PDF列表中搜索到.是否有捷径可寻？

Answer 1

在命令行上,我将使用pdffonts确定文件使用的字体.这运行得相当快......

示例1:包含文本的PDF

pdffonts bash-manpage.pdf 

  name                            type          encoding        emb sub uni object ID
  ------------------------------- ------------- --------------- --- --- --- ---------
  Times-Roman                     Type 1        Custom          no  no  no       8  0
  Times-Bold                      Type 1        Standard        no  no  no       9  0
  Helvetica                       Type 1        Custom          no  no  no      11  0
  Helvetica-Bold                  Type 1        Standard        no  no  no      30  0

示例2:仅包含图像的PDF

pdffonts scanned-book.pdf

  pdffonts handmade.pdf 
  name                            type           encoding       emb sub uni object ID
  ------------------------------- -------------- -------------- --- --- --- ---------

1. 示例1显示了一个包含字体名称的表.这意味着IS文本进行搜索.

2. 示例2显示了一个空表.没有字体,没有要搜索的文本(除非你在文件上运行OCR首先嵌入任何找到的文本......但是你创建了一个不同的文件!),不要回头看看这些......

注意:要成功地实际提取嵌入的文本,因此能够搜索它是一个完全不同的问题.有很多情况下,你会发现它是非常困难的-特别是如果你在字体看到表的字体类型,如CID Type与'自定义’的编码.您可能首先要搜索stackoverflow以查询有关从PDF 文本提取的其他问题 ...