如何区分；“文本”；PDF文件和；“图像”；PHP中的PDF？

我最近设置了一个Linux服务器，可以使用Xpdf中的

pdftotext

命令将基于文本的PDF转换为文本，还可以使用

gs

（Ghostscript）和

tesseract

命令组合将基于图像的PDF转换为文本

当我已经知道PDF是基于文本还是基于图像时，这两种解决方案都非常有效。但是，为了自动化将许多PDF转换为文本的过程，我需要能够判断PDF是基于文本还是基于图像，以便知道在PDF上运行哪一组过程

---

PHP中是否有任何方法可以分析PDF并判断它是基于文本的还是基于图像的，这样我就知道是在PDF上使用Xpdf还是Ghostscript/Tesseract？

比较输出并确定OCR运行产生的文本是否与Xpdf运行的输出相同，这是一个非常简单的任务。如果是不可识别的PDF文本（例如非常小的字母），xpdf可以提取文本，您甚至会以大量不必要的胡言乱语结束

我建议只从PDF和OCR中提取图像，而不是完整的PDF。这边

• 你不必比较文本[1]
• 根据图像如何包含到PDF中，您也可能获得更好的OCR结果
• 此外，您还可以避免不必要的OCR文本，该文本包含为明文

由于您已经在使用xpdf，因此可以使用

pdfimages-all

来提取图像

---

[1] 这并不是100%正确，因为PDF可能是一个三明治式PDF，在图像的“后面”已经有一个OCRD文本层。

我认为Kurt Pfeifle的答案非常好：使用

pdffonts

-这也是Xpdf/Poppler的一部分-列出PDF使用的字体

---

如果它使用任何字体，则它包含文本。如果不是，它只包含图像。

如果两者都有呢？会发生这种情况吗？如果是，在文件上运行Xpdf的

pdftotext

就足够了吗？不管是哪种方式，无论是两种还是三种不同类型的PDF，我都需要能够区分它们，以便知道如何处理它们以将文本输出。谢谢。我会对PDF运行两个脚本，然后你需要对输出进行比较。是的，我有点担心这是唯一的解决方案。Xpdf在转换为文本方面非常快，但是

gs

/Tesseract过程非常慢。也许我可以先把所有的东西都处理成文本，然后作为一个单独的过程，在事实发生后，检查文本哪里不好，然后对它进行图像处理。关于如何检测什么是“好”文本和什么是“坏”文本，有什么建议吗？谢谢。您可以将文本分解为单词，然后使用

pspell\u check

查看给定块中的拼写错误数与总单词数之比。对不起，我不知道你建议我做什么。我应该将所有PDF文件转换为图像，然后不加区别地进行OCR，还是您推荐其他内容？Tesseract的OCR过程非常缓慢，因此我希望尽量避免对PDF进行OCR。@HartleySan我的意思是使用工具提取嵌入的图像，并仅在这些图像上运行OCR工具。我在原来的回答中补充了一些细节。