Linux 检查PDF是否可搜索

我编写了一个bash脚本，从扫描的PDF文件中提取纯文本。我有很多PDF，但有些是扫描过的，有些不是。所以现在我的主要目标是通过检查PDF是否已经可以搜索来改进我的脚本，这样就不需要OCR提取了

我试过：

pdftext-nopgbrk pdf_file.pdf单词列表

将可能的OCR文本存储在

单词列表中，这样我就可以检查它是否为空，并确定它是否是可搜索的PDF

我还尝试了
pdfforts pdf_file.pdf
来检查pdf中是否有字体，因此是否有文本

这两种方法都很好，但在某些情况下失败了

例如，我需要OCR的一些PDF是数字签名的，这些签名总是在PDF中添加一个文本层。因此，当我运行这两个命令中的任何一个时，它将输出签名的文本或它使用的字体。就好像是因为签名才找到纯文本一样。它可能只是带有数字签名的扫描PDF，但会被检测为纯文本PDF

数字签名始终以这种方式添加文本（使用Helvetica字体）：

签字人：姓名

日期：日期CEST

公司：公司名称

因此：

pdftext-nopgbrk pdf|u file.pdf单词列表| grep-v-E“签名|日期|公司”

我可以设法删除这些行，所以如果它真的是一个扫描PDF，输出将是空的

它适用于一些PDF格式，直到我注意到一个具有其他格式的签名，所以我觉得这是一个很好的解决方案，而不是一个很好的解决方案

有没有办法检查PDF是否完全可搜索？我只需要一种方法来提取PDF的文本，但忽略数字签名。另外，
grep-v
将始终取决于我们数字签名的格式，如果它发生变化，那么它将破坏我的脚本

谢谢。
不幸的是，如果不对文件进行更复杂的分析（这将远远超出bash脚本的范围和规模），以“非黑客”的方式实现这一点是不容易的

当
pdftotext
输出数字签名的文本时，该文本不是来自数字签名本身。作为对象存储在PDF中，其元数据被
pdftotext
忽略。相反，
pdftotext
拾取的只是：也已添加到文件中的文本

这里有一个例子。首先，数字签名的元数据：


以下是插入到文档中的文本：


从技术上讲，您可以有一个而没有另一个，并且通常伴随数字签名的文本没有既定的格式。因此，您可能会遇到以下两种情况：


使用
grep
忽略特定文本，就像您现在所做的那样，这可能是不可靠的
在所有文件上运行OCR，然后检查OCR前后的文本是否存在差异，但这样做首先会破坏检查的全部目的
你可能是对的。我在发布这个问题时考虑了我的OCR脚本，它与编程相关，但是当您提到我遇到的问题时，它本身可能是离题的，因此Unix和Linux堆栈交换可能是发布它的更好地方。无论如何，如果有人拿出一个脚本或算法来解决我的问题，那么它也可能与编程有关。很抱歉。为了补充最后一点，我们的一些OCR工具包括一个选项“跳过可搜索文本层PDF上的OCR”。因此，您仍然可以在整个集合上运行OCR，但只有基于图像的PDF才会进行OCR。结果将是您的现有文件，其中的文本将通过未接触的+图像PDF传递，现在带有OCR文本。@IlyaEvdokimov但在这种情况下，处理器不会忽略仍然需要OCR的文件，但碰巧有一个可搜索的文本层，其中只包含有关数字签名的信息吗？从我对OP困境的理解来看，这是问题的症结所在。这似乎需要某种更复杂的分析，将文本与数字签名中的信息进行比较，PDF是否有图像，并对是否在特定文档上运行OCR进行有根据的猜测。