java ocr识别pdf_如何知道PDF是否仅包含图像还是已经过OCR扫描以进行搜索？

转换为PDF的扫描图像在后果中已被OCR处理以使文本可搜索通常包含呈现为"invisible"的文本部分 . 因此，您在屏幕上(或打印时在纸上)看到的仍然是原始图像 . 但是当你成功的时候，你会得到突出显示在隐形文本上的命中 .

我建议你看一下XPDF派生的命令行工具 pdffonts(.exe) ， pdfinfo(.exe) 和 pdftotext(.exe) . 请看这里下载：http://www.foolabs.com/xpdf/download.html

Example usage of pdffonts:

C:\downloads\> pdffonts cisco-ip-phone-7911-guide6.1.pdf

name type emb sub uni object ID

------------------------------------ ----------------- --- --- --- ---------

LGOKFL+Univers-BlackOblique Type 1C yes yes no 13171 0

LGOKGM+Univers-Black Type 1C yes yes no 13172 0

[....]

此PDF使用字体(由'name'列表示)，嵌入它们(在'emb'列中用'yes'表示)并使用子集字体(在'sub'列中用'yes'表示) .

C:\downloads\> pdffonts examle1.pdf

name type emb sub uni object ID

------------------------------------ ----------------- --- --- --- ---------

Univers-BlackOblique Type 1C yes no no 14 0

Arial TrueType no no no 15 0

此PDF使用2种字体(由“名称”列表示) . 字体'Universe-BlackOblique'完全嵌入(由'emb'列中的'yes'表示，'sub'列中的'no'表示) . 字体'Arial'也被使用，但未嵌入 .

C:\downloads\> pdffonts examle2.pdf

name type emb sub uni object ID

------------------------------------ ----------------- --- --- --- ---------

This PDF uses not a single font, and hence does not have any text embedded (so no OCR either).

Example usage of pdftotext:

C:\downloads\> pdftotext ^

-layout ^

cisco-ip-phone-7911-guide6.1.pdf ^

cisco-ip-phone-7911-guide6.1.txt

这将从PDF中提取所有文本字符串(试图保留原始布局的一些相似性) . 如果PDF中没有文字，你就知道没有OCR ......