如何批量确定PDF是电子版还是扫描版

U201213

请教大佬，如何批量确定PDF的类型
电子版就是那种可以直接编辑或者提取文字的
扫描版就是图片转成PDF的那种

现在有几百份PDF，总不能一个个打开看吧

fortytwo

可以用OCR识别，如果只包含文字层的话，那就是电子版，如果没有文字层，那就是扫描版
下面是代码参考，可以下个Tesseract-OCR +python 实现

[Python] 纯文本查看 复制代码

import os
import PyPDF2
import subprocess

# 设置OCR软件的路径
ocr_path = 'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

# 遍历目录中的所有PDF文件
for root, dirs, files in os.walk('path_to_pdf_folder'):
    for file in files:
        if file.endswith('.pdf'):
            pdf_path = os.path.join(root, file)
            with open(pdf_path, 'rb') as f:
                pdf_reader = PyPDF2.PdfFileReader(f)
                # 如果PDF文件没有文字层，则运行OCR识别
                if not pdf_reader.isEncrypted and not pdf_reader.getNumPages() == 0 and not pdf_reader.getDocumentInfo().get('/Creator') == 'ScanSnap Manager 6.5':
                    text = ''
                    for page_num in range(pdf_reader.getNumPages()):
                        page = pdf_reader.getPage(page_num)
                        text += page.extractText()
                    # 运行OCR识别
                    process = subprocess.Popen([ocr_path, pdf_path, 'stdout'], stdout=subprocess.PIPE, stderr=subprocess.PIPE, shell=True)
                    out, err = process.communicate()
                    # 如果OCR识别结果为空，则说明PDF文件不可识别
                    if not out:
                        print(pdf_path, '是扫描版')
                    else:
                        print(pdf_path, '是电子版')
                else:
                    print(pdf_path, '是电子版')

poyourmumjie

我的方法是，在手机上装一个能看pdf封面预览图的软件，然后一般封面就能看得出来是扫的还是电子的，然后多选进行分类就行。我用的是zarchiver这款压缩软件，坛里有人分享

U201213

poyourmumjie 发表于 2023-3-9 13:26
我的方法是，在手机上装一个能看pdf封面预览图的软件，然后一般封面就能看得出来是扫的还是电子的，然后多 ...

电脑上也都有预览图啊，预览就是封面的缩略图，小图是看不出来到底是扫描版还是电子版的

有的质量高一点的扫描版，连边都裁好了，不选中复制几个文字根本看不出来是不是电子版

U201213

SailZhao520 发表于 2023-3-9 13:37
可以用OCR识别，如果只包含文字层的话，那就是电子版，如果没有文字层，那就是扫描版
下面是代码参考，可 ...

这个思路可以
没玩过py，晚上抽空试一下

就是不知道有没有什么软件自带这种工具可以判断

poyourmumjie

那种确实是扫描的然后orc出来的，所以会有文字选择，那种只能自己打开看，而且很多即使orc的电子pdf，文字的准确率也不高，浏览图只能区分是扫描的和纯电子版的，具体扫描的orc版本得自己再进去看

仙鬼同拥

给楼主提供一下我的一个批量判断的思路。
①先全部瞅一眼PDF的文件名，对这一堆PDF的大致领域做一个判断，是文档类？电子发票类？图纸类？还是扫描类，这对判断PDF是单页还是多页提供了一个大致方向
②给这一堆PDF的文件大小排个序，取一个中间值分成2份，第一份大文件的肯定是扫描版的多，可能会混杂一些多页的可编辑版，那反之小文件的里面可能就混杂一些单页的图片扫描版
③用PDF编辑软件批量查看PDF属性，PDF文件的鼠标右键属性打开后会多一个英文的标签，显示了PDF的版本、创建的程序，或许有的还会带有PDF的签名。首先看创建的程序，像是阿逗比、office类软件创建的大部分是可编辑的，要是带有惠普、爱普生、佳能之类的字样那肯定就是扫描版了，带PDF签名的就是单页的电子发票之类的。

最后说一个比较复杂的情况，就是工程领域，最后交档案的时候可能要扫描手签了字的纸质竣工图纸到PDF存档，又要初始施工图的CAD转换PDF，这两个类型的PDF文件大小就差不多不太好判断

仙鬼同拥

SailZhao520 发表于 2023-3-9 13:37
可以用OCR识别，如果只包含文字层的话，那就是电子版，如果没有文字层，那就是扫描版
下面是代码参考，可 ...

        这个用程序判断确实比较高效且准确，不过这个判断的条件我觉得应该改一下，来增强适用性。
        有文字层就判断为可编辑版，这个条件有一些不确定性，比如：在一些网站上下载的影印版书籍会带有文字水印，或者在首页加一页文字的书籍信息和水印。还有再进行一遍OCR的话会降低整体的判断速度，个人感觉没必要OCR。
        我觉得判断条件可以改成有且仅有图片的PDF必定为扫描版（例外情况：用office做的只有一张图片的PDF就算是可编辑，那编辑的意义也不大吧？会有人闲的无聊做这种PDF吗），否则就是可编辑电子版。这种也有一种例外情况，电子档转曲后防修改的PDF和AI、CDR、CAD这些矢量图转出来的PDF，不知道Python能不能分辨纯像素图和矢量图，有且只有纯像素图的肯定是扫描的，剩下其他的就人工打开判断吧

U201213

仙鬼同拥 发表于 2023-3-9 14:04
给楼主提供一下我的一个批量判断的思路。
①先全部瞅一眼PDF的文件名，对这一堆PDF的大致领域做一个判断， ...

我这个就是一批杂志，有的是扫描版有的是电子版
就是纯粹看能不能复制文字，判断电子版
现在有好几百本，