Início / computer / Perguntas / 1842857
Accepted
rwallace
Asked: 2024-05-18 19:26:28 +0800 CST

Verificando se um PDF contém texto incorporado

  • 772

É claro que quase todos os PDFs ‘contêm texto’ no sentido de terem texto que você pode ler, mas estou falando aqui sobre a diferença entre aqueles em que é apenas um bitmap que só é interpretado como texto pelo cérebro do ser humano olhando para a tela, versus aqueles que também contêm texto no que diz respeito ao computador.

Isso pode não ser óbvio no caso de um PDF digitalizado em papel. Às vezes, o que você vê na tela parece uma imagem borrada e imperfeita de texto direto da digitalização, mas acontece que o PDF passou por OCR, então mesmo que você esteja vendo o bitmap borrado original, mesmo que você não esteja aproveitando o benefício do OCR durante a leitura normal, o texto incorporado ainda está lá, escondido no arquivo. Duas maneiras pelas quais isso pode se manifestar em um leitor de PDF:

  1. Tente selecionar o texto com o mouse.

  2. Tente pesquisar uma palavra.

É claro que também pode acontecer que parte do texto tenha sido OCR, mas não todo.

Nos casos em que ambos os testes acima deram negativo, é possível dizer "não, este PDF não contém texto incorporado" ou o texto incorporado ainda pode estar oculto no arquivo?

Por exemplo:

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

Pelo que sei, o PDF acima é todo bitmaps, sem texto incorporado. Isso está correto ou ainda estou faltando alguma coisa?

pdf

1 respostas

  1. Best Answer

    Uma abordagem é extrair texto e testar se está vazio. Por exemplo, em bashtemos

    # 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

    A expressão regular [[:graph:]]corresponde apenas a caracteres visíveis, ou seja, quaisquer caracteres, exceto espaços, caracteres de controle e assim por diante. Talvez você queira ser mais restritivo e usar [[:print:]](caracteres e espaços visíveis).

    mutoolfaz parte do MuPDF . Claro, você pode usar pdftotext file.pdf -(from poppler-tools) ou qualquer outro.

    • 1

relate perguntas