AskOverflow.Dev

AskOverflow.Dev Logo AskOverflow.Dev Logo

AskOverflow.Dev Navigation

  • 主页
  • 系统&网络
  • Ubuntu
  • Unix
  • DBA
  • Computer
  • Coding
  • LangChain

Mobile menu

Close
  • 主页
  • 系统&网络
    • 最新
    • 热门
    • 标签
  • Ubuntu
    • 最新
    • 热门
    • 标签
  • Unix
    • 最新
    • 标签
  • DBA
    • 最新
    • 标签
  • Computer
    • 最新
    • 标签
  • Coding
    • 最新
    • 标签
主页 / computer / 问题 / 1842857
Accepted
rwallace
rwallace
Asked: 2024-05-18 19:26:28 +0800 CST2024-05-18 19:26:28 +0800 CST 2024-05-18 19:26:28 +0800 CST

检查 PDF 是否包含嵌入文本

  • 772

当然,几乎所有 PDF 都“包含文本”,即具有您可以阅读的文本,但我在这里讨论的是那些只是位图、只能被人类大脑解释为文本的 PDF 之间的区别就计算机而言,查看屏幕,而不是那些还包含文本的屏幕。

对于从纸质文件扫描的 PDF,这种现象可能不明显。有时,您在屏幕上看到的内容看起来像是扫描出来的模糊不完美的文本图片,但事实证明 PDF 已经经过 OCR 处理,因此,即使您看到的是原始的模糊位图,即使您在正常阅读时没有获得 OCR 的好处,嵌入的文本仍然存在,隐藏在文件中。它可能以两种方式出现在 PDF 阅读器中:

  1. 尝试用鼠标选择文本。

  2. 尝试搜索一个单词。

当然,也可能发生部分文本已被 OCR 但不是全部的情况。

如果上述两个测试结果均为阴性,那么是否可以说“不,此 PDF 不包含嵌入文本”,或者嵌入文本是否仍隐藏在文件中?

例如:

https://pdf.datasheetcatalog.com/datasheets/2300/45014_DS.pdf

据我所知,上面的 PDF 都是位图,没有嵌入文本。这是正确的吗,还是我仍然遗漏了什么?

pdf
  • 1 1 个回答
  • 60 Views

1 个回答

  • Voted
  1. Best Answer
    lezambranof
    2024-06-06T02:35:41+08:002024-06-06T02:35:41+08:00

    一种方法是提取文本并测试它是否为空。例如,在bash我们有

    # Create a PDF containing text.
    $ echo Text | pandoc -o t.pdf
    # Extract text and do the required test.
    $ mutool draw -F text t.pdf | sed -n '/[[:graph:]]/q1' && echo NoGraph || echo Graph
    Graph
    #
    # Create a PDF that contains no text.
    $ echo NoText | magick text:- nt.pdf
    # The same test
    $ mutool draw -F text nt.pdf | sed -n '/[[:graph:]]/q1' && echo NoGraph || echo Graph
    NoGraph
    

    正则表达式[[:graph:]]仅匹配可见字符,即除空格、控制字符等之外的任何字符。也许您想要更多的限制和使用[[:print:]](可见字符和空格)。

    mutool是MuPDF的一部分。当然,您可以使用pdftotext file.pdf -(from poppler-tools) 代替,或任何其他。

    • 1

相关问题

  • Chrome 一直要求保存 PDF 并且从不打开它

  • 是否可以将保存为 PDF 文件的网页还原为网页?

  • CMYK 打印

  • 将双面扫描的 A3 pdf 裁剪并重新排列为 A4 格式

  • WebBrowser 刷新不会刷新 PDF 缩放级别

Sidebar

Stats

  • 问题 205573
  • 回答 270741
  • 最佳答案 135370
  • 用户 68524
  • 热门
  • 回答
  • Marko Smith

    如何减少“vmmem”进程的消耗?

    • 11 个回答
  • Marko Smith

    从 Microsoft Stream 下载视频

    • 4 个回答
  • Marko Smith

    Google Chrome DevTools 无法解析 SourceMap:chrome-extension

    • 6 个回答
  • Marko Smith

    Windows 照片查看器因为内存不足而无法运行?

    • 5 个回答
  • Marko Smith

    支持结束后如何激活 WindowsXP?

    • 6 个回答
  • Marko Smith

    远程桌面间歇性冻结

    • 7 个回答
  • Marko Smith

    子网掩码 /32 是什么意思?

    • 6 个回答
  • Marko Smith

    鼠标指针在 Windows 中按下的箭头键上移动?

    • 1 个回答
  • Marko Smith

    VirtualBox 无法以 VERR_NEM_VM_CREATE_FAILED 启动

    • 8 个回答
  • Marko Smith

    应用程序不会出现在 MacBook 的摄像头和麦克风隐私设置中

    • 5 个回答
  • Martin Hope
    Vickel Firefox 不再允许粘贴到 WhatsApp 网页中? 2023-08-18 05:04:35 +0800 CST
  • Martin Hope
    Saaru Lindestøkke 为什么使用 Python 的 tar 库时 tar.xz 文件比 macOS tar 小 15 倍? 2021-03-14 09:37:48 +0800 CST
  • Martin Hope
    CiaranWelsh 如何减少“vmmem”进程的消耗? 2020-06-10 02:06:58 +0800 CST
  • Martin Hope
    Jim Windows 10 搜索未加载,显示空白窗口 2020-02-06 03:28:26 +0800 CST
  • Martin Hope
    andre_ss6 远程桌面间歇性冻结 2019-09-11 12:56:40 +0800 CST
  • Martin Hope
    Riley Carney 为什么在 URL 后面加一个点会删除登录信息? 2019-08-06 10:59:24 +0800 CST
  • Martin Hope
    zdimension 鼠标指针在 Windows 中按下的箭头键上移动? 2019-08-04 06:39:57 +0800 CST
  • Martin Hope
    jonsca 我所有的 Firefox 附加组件突然被禁用了,我该如何重新启用它们? 2019-05-04 17:58:52 +0800 CST
  • Martin Hope
    MCK 是否可以使用文本创建二维码? 2019-04-02 06:32:14 +0800 CST
  • Martin Hope
    SoniEx2 更改 git init 默认分支名称 2019-04-01 06:16:56 +0800 CST

热门标签

windows-10 linux windows microsoft-excel networking ubuntu worksheet-function bash command-line hard-drive

Explore

  • 主页
  • 问题
    • 最新
    • 热门
  • 标签
  • 帮助

Footer

AskOverflow.Dev

关于我们

  • 关于我们
  • 联系我们

Legal Stuff

  • Privacy Policy

Language

  • Pt
  • Server
  • Unix

© 2023 AskOverflow.DEV All Rights Reserve