是否有一种简单的方法来识别 PDF 是否被扫描？

1. 将所有 .pdf 文件放在一个文件夹中。
2. 该文件夹中没有 .txt 文件。
3. 在终端更改目录到该文件夹cd <path to dir>
4. 为未扫描的文件再创建一个目录。例子：

mkdir ./x 
for file in *.pdf; do
    if [ $(pdftotext "$file")"x" == "x" ] ; then mv "$file" ./x; fi
rm *.txt
done

所有 pdf 扫描文件将保留在文件夹中，其他文件将移动到另一个文件夹。

脚本

• 如果pdf文件包含图像（与文本或整个页面一起插入到文档中，“扫描的 pdf”），则该文件通常（可能总是）包含字符串/Image/.

• 以同样的方式，您可以搜索字符串/Text以判断 pdf 文件是否包含文本（未扫描）。

我制作了 shellscript pdf-text-or-image，在大多数情况下它可能适用于您的文件。shellscript在文件/Image/中查找文本字符串。/Textpdf

#!/bin/bash

echo "shellscript $0"
ls --color --group-directories-first
read -p "Is it OK to use this shellscript in this directory? (y/N) " ans
if [ "$ans" != "y" ]
then
 exit
fi

mkdir -p scanned
mkdir -p text
mkdir -p "s-and-t"

for file in *.pdf
do
 grep -aq '/Image/' "$file"
 if [ $? -eq 0 ]
 then
  image=true
 else
  image=false
 fi
 grep -aq '/Text' "$file"
 if [ $? -eq 0 ]
 then
  text=true
 else
  text=false
 fi


 if $image && $text
 then
  mv "$file" "s-and-t"
 elif $image
 then
  mv "$file" "scanned"
 elif $text
 then
  mv "$file" "text"
 else
  echo "$file undecided"
 fi
done

使 shellscript 可执行，

chmod ugo+x pdf-text-or-image

将目录更改为您拥有pdf文件的位置并运行 shellscript。

识别的文件被移动到以下子目录

• scanned
• text
• s-and-t（对于同时包含 [扫描？] 图像和文本内容的文档）

未识别的文件对象“UFO”保留在当前目录中。

测试

我用你的两个文件AR-G1002.pdf和AR-G1003.pdf, 和一些自己的pdf文件（我使用 Libre Office Impress 创建的）测试了 shellscript。

$ ./pdf-text-or-image
shellscript ./pdf-text-or-image
s-and-t                                 mkUSB-quick-start-manual-11.pdf    mkUSB-quick-start-manual-nox-11.pdf
scanned                                 mkUSB-quick-start-manual-12-0.pdf  mkUSB-quick-start-manual-nox.pdf
text                                    mkUSB-quick-start-manual-12.pdf    mkUSB-quick-start-manual.pdf
AR-G1002.pdf                            mkUSB-quick-start-manual-74.pdf    OBI-quick-start-manual.pdf
AR-G1003.pdf                            mkUSB-quick-start-manual-75.pdf    oem.pdf
DescriptionoftheOneButtonInstaller.pdf  mkUSB-quick-start-manual-8.pdf     pdf-text-or-image
GrowIt.pdf                              mkUSB-quick-start-manual-9.pdf     pdf-text-or-image0
list-files.pdf                          mkUSB-quick-start-manual-bas.pdf   README.pdf
Is it OK to use this shellscript in this directory? (y/N) y

$ ls -1 *
pdf-text-or-image
pdf-text-or-image0

s-and-t:
DescriptionoftheOneButtonInstaller.pdf
GrowIt.pdf
mkUSB-quick-start-manual-11.pdf
mkUSB-quick-start-manual-12-0.pdf
mkUSB-quick-start-manual-12.pdf
mkUSB-quick-start-manual-8.pdf
mkUSB-quick-start-manual-9.pdf
mkUSB-quick-start-manual.pdf
OBI-quick-start-manual.pdf
README.pdf

scanned:
AR-G1002.pdf

text:
AR-G1003.pdf
list-files.pdf
mkUSB-quick-start-manual-74.pdf
mkUSB-quick-start-manual-75.pdf
mkUSB-quick-start-manual-bas.pdf
mkUSB-quick-start-manual-nox-11.pdf
mkUSB-quick-start-manual-nox.pdf
oem.pdf

让我们希望

• 你的文件集中没有不明飞行物
• 关于文本与扫描/图像的排序是正确的

如果这更多是关于实际检测 PDF是否是通过扫描创建的，而不是pdf 具有图像而不是文本，那么您可能需要深入研究文件的元数据，而不仅仅是内容。

一般来说，对于我可以在我的计算机上找到的文件和您的测试文件，以下是正确的：

• 扫描文件的字符数少于 1000 个字符/页，而非扫描文件的字符数总是超过 1000 个字符/页
• 多个独立的扫描文件将“Canon”列为 PDF 创建者，可能引用了 Canon 扫描仪软件
• 以“Microsoft Word”作为创建者的 PDF 可能不会被扫描，因为它们是单词导出。但是有人可以扫描到word，然后导出为PDF——有些人的工作流程很奇怪。

我目前使用的是 Windows，所以我使用node.js了以下示例：

const fs = require("mz/fs");
const pdf_parse = require("pdf-parse");
const path = require("path");


const SHOW_SCANNED_ONES = process.argv.indexOf("scanned") != -1;

const DEBUG = process.argv.indexOf("debug") != -1;
const STRICT = process.argv.indexOf("strict") != -1;

const debug = DEBUG ? console.error : () => { };

(async () => {
    const pdfs = (await fs.readdir(".")).filter((fname) => { return fname.endsWith(".pdf") });

    for (let i = 0, l = pdfs.length; i < l; ++i) {
        const pdffilename = pdfs[i];
        try {
            debug("\n\nFILE: ", pdffilename);
            const buffer = await fs.readFile(pdffilename);
            const data = await pdf_parse(buffer);

            if (!data.info)
                data.indo = {};
            if (!data.metadata) {
                data.metadata = {
                    _metadata: {}
                };
            }


            // PDF info
            debug(data.info);
            // PDF metadata
            debug(data.metadata);
            // text length
            const textLen = data.text ? data.text.length : 0;
            const textPerPage = textLen / (data.numpages);
            debug("Text length: ", textLen);
            debug("Chars per page: ", textLen / data.numpages);
            // PDF.js version
            // check https://mozilla.github.io/pdf.js/getting_started/
            debug(data.version);

            if (evalScanned(data, textLen, textPerPage) == SHOW_SCANNED_ONES) {
                console.log(path.resolve(".", pdffilename));
            }
        }
        catch (e) {
            if (strict && !debug) {
                console.error("Failed to evaluate " + item);
            }
            {
                debug("Failed to evaluate " + item);
                debug(e.stack);
            }
            if (strict) {
                process.exit(1);
            }
        }
    }
})();
const IS_CREATOR_CANON = /canon/i;
const IS_CREATOR_MS_WORD = /microsoft.*?word/i;
// just defined for better clarity or return values
const IS_SCANNED = true;
const IS_NOT_SCANNED = false;
function evalScanned(pdfdata, textLen, textPerPage) {
    if (textPerPage < 300 && pdfdata.numpages>1) {
        // really low number, definitelly not text pdf
        return IS_SCANNED;
    }
    // definitelly has enough text
    // might be scanned but OCRed
    // we return this if no 
    // suspition of scanning is found
    let implicitAssumption = textPerPage > 1000 ? IS_NOT_SCANNED : IS_SCANNED;
    if (IS_CREATOR_CANON.test(pdfdata.info.Creator)) {
        // this is always scanned, canon is brand name
        return IS_SCANNED;
    }
    return implicitAssumption;
}

要运行它，你需要安装 Node.js（应该是一个命令），你还需要调用：

npm install mz pdf-parse

用法：

node howYouNamedIt.js [scanned] [debug] [strict]

 - scanned show PDFs thought to be scanned (otherwise shows not scanned)
 - debug shows the debug info such as metadata and error stack traces
 - strict kills the program on first error

这个例子不被认为是完成的解决方案，但是通过debug标志，您可以深入了解文件的元信息：

FILE:  BR-L1411-3-scanned.pdf
{ PDFFormatVersion: '1.3',
  IsAcroFormPresent: false,
  IsXFAPresent: false,
  Creator: 'Canon ',
  Producer: ' ',
  CreationDate: 'D:20131212150500-03\'00\'',
  ModDate: 'D:20140709104225-03\'00\'' }
Metadata {
  _metadata:
   { 'xmp:createdate': '2013-12-12T15:05-03:00',
     'xmp:creatortool': 'Canon',
     'xmp:modifydate': '2014-07-09T10:42:25-03:00',
     'xmp:metadatadate': '2014-07-09T10:42:25-03:00',
     'pdf:producer': '',
     'xmpmm:documentid': 'uuid:79a14710-88e2-4849-96b1-512e89ee8dab',
     'xmpmm:instanceid': 'uuid:1d2b2106-a13f-48c6-8bca-6795aa955ad1',
     'dc:format': 'application/pdf' } }
Text length:  772
Chars per page:  2
1.10.100
D:\web\so-odpovedi\pdf\BR-L1411-3-scanned.pdf

我编写的简单函数在我可以在我的计算机上找到的文档（包括您的示例）上取得了 100% 的成功。我根据运行程序之前的状态为文件命名，以便查看结果是否正确。

D:\xxxx\pdf>node detect_scanned.js scanned
D:\xxxx\pdf\AR-G1002-scanned.pdf
D:\xxxx\pdf\AR-G1002_scanned.pdf
D:\xxxx\pdf\BR-L1411-3-scanned.pdf
D:\xxxx\pdf\WHO_TRS_696-scanned.pdf

D:\xxxx\pdf>node detect_scanned.js
D:\xxxx\pdf\AR-G1003-not-scanned.pdf
D:\xxxx\pdf\ASEE_-_thermoelectric_paper_-_final-not-scanned.pdf
D:\xxxx\pdf\MULTIMODE ABSORBER-not-scanned.pdf
D:\xxxx\pdf\ReductionofOxideMineralsbyHydrogenPlasma-not-scanned.pdf

您可以使用调试模式和一点点编程来极大地改善您的结果。您可以将程序的输出传递给其他程序，每行始终有一个完整路径。

我创建了一个脚本来检测 PDF 是否为 OCRd。主要思想：在 OCRd PDF 中，文本是不可见的。

测试给定 PDF ( f1) 是否为 OCRd 的算法：

1. f1创建记为的副本f2
2. 删除所有文本f2
3. 为所有（或仅几个）页面创建图像 (PNG)f1和f2
4. f1f1如果和的所有图像都相同，则为 OCRd f2。

https://github.com/jfilter/pdf-scripts/blob/master/is_ocrd_pdf.sh

#!/usr/bin/env bash
set -e
set -x

################################################################################
# Check if a PDF was scanned or created digitally, works on OCRd PDFs
#
# Usage:
#   bash is_scanned_pdf.sh [-p] file
#
#   Exit 0: Yes, file is a scanned PDF
#   Exit 99: No, file was created digitally
#
# Arguments:
#   -p or --pages: pos. integer, only consider first N pages
#
# Please report issues at https://github.com/jfilter/pdf-scripts/issues
#
# GPLv3, Copyright (c) 2020 Johannes Filter
################################################################################

# parse arguments
# h/t https://stackoverflow.com/a/33826763/4028896
max_pages=-1
# skip over positional argument of the file(s), thus -gt 1
while [[ "$#" -gt 1 ]]; do
  case $1 in
  -p | --pages)
    max_pages="$2"
    shift
    ;;
  *)
    echo "Unknown parameter passed: $1"
    exit 1
    ;;
  esac
  shift
done

# increment to make it easier with page numbering
max_pages=$((max_pages++))

command_exists() {
  if ! [ -x $($(command -v $1 &>/dev/null)) ]; then
    echo $(error: $1 is not installed.) >&2
    exit 1
  fi
}

command_exists mutool && command_exists gs && command_exists compare
command_exists pdfinfo

orig=$PWD
num_pages=$(pdfinfo $1 | grep Pages | awk '{print $2}')

echo $num_pages

echo $max_pages

if ((($max_pages > 1) && ($max_pages < $num_pages))); then
  num_pages=$max_pages
fi

cd $(mktemp -d)

for ((i = 1; i <= num_pages; i++)); do
  mkdir -p output/$i && echo $i
done

# important to filter text on output of GS (tmp1), cuz GS alters input PDF...
gs -o tmp1.pdf -sDEVICE=pdfwrite -dLastPage=$num_pages $1 &>/dev/null
gs -o tmp2.pdf -sDEVICE=pdfwrite -dFILTERTEXT tmp1.pdf &>/dev/null
mutool convert -o output/%d/1.png tmp1.pdf 2>/dev/null
mutool convert -o output/%d/2.png tmp2.pdf 2>/dev/null

for ((i = 1; i <= num_pages; i++)); do
  echo $i
  # difference in pixels, if 0 there are the same pictures
  # discard diff image
  if ! compare -metric AE output/$i/1.png output/$i/2.png null: 2>&1; then
    echo " pixels difference, not a scanned PDF, mismatch on page $i"
    exit 99
  fi
done

据我所知，没有万无一失的方法，但有一些策略。

pdf 可能嵌入了一些文本，但这可能不是您要查找的文本。例如，一些出版公司，例如 Jstor，即使在 pdf 没有 ocred 的情况下，也会在 pdf 上放置一些与版权相关的文本信息。

因此，一个好的策略是将 pdf 提供给 pdf 到 txt 转换器并计算字数。如果这个数字太低（完全主观的指标），那么可以合理地预期它没有 ocr。

下面我们有一个 bash one 衬垫，它为几个文件模拟了这一点（需要并行和 poppler）：

find path/to/files/ -name "*.pdf" | parallel --progress -P3 pdftotext {} - | wc -w >> file.txt

这将计算您目录中每个 pdf 文件的字数。然后，您可以过滤下面的内容，例如 100 个单词，然后将其提供给脚本，例如ocrmypdf对它们进行 ocr。

如果文档集合的扫描文档没有添加带有光学字符识别 (OCR) 的文本，Hobbyist 提供了一个很好的解决方案。如果这是可能的，您可能需要编写一些脚本来读取输出pdfinfo -meta并检查用于创建文件的工具，或者使用使用 Python 库之一来检查它们的 Python 例程。使用类似的工具搜索文本strings是不可靠的，因为 PDF 内容可以被压缩。并且检查创建工具也不是万无一失的，因为 PDF 页面可以合并；我经常将 PDF 文本文档与扫描的图像结合起来，以便将它们放在一起。

很抱歉，我无法提供具体建议。我已经有一段时间没有研究 PDF 的内部结构了，但是根据您的要求有多严格，您可能想知道它有点复杂。祝你好运！

我能想到的2种方法：

1. 使用选择文本工具：如果您使用的是扫描的 PDF，则无法选择文本，而是会出现一个框。您可以使用此事实来创建脚本。我知道在 C++ QT 中有一种方法，但在 Linux 中不确定。

2. 在文件中搜索单词：在非扫描的 PDF 中，您的搜索将有效，但在扫描的文件中无效。您只需要找到所有 PDF 共有的一些单词，或者我宁愿说在所有 PDF 中搜索字母“e”。它具有最高的频率分布，因此您很可能会在所有包含文本的文档中找到它（除非它的gadsby）

例如

grep -rnw '/path/to/pdf/' -e 'e'

使用任何文本处理工具