如何检测pdf是文本还是图像
Posted
技术标签:
【中文标题】如何检测pdf是文本还是图像【英文标题】：How to detect if a pdf is text or image 【发布时间】：2016-01-03 08:50:51 【问题描述】：我有一个应用程序，用户可以在其中上传pdf，然后将其转换为text 以进行进一步处理。
问题是一些上传的文件是图像pdf，所以转换它不起作用。我宁愿只发送那些被证明或检测为图像的文件，而不是发送所有 pdf 以拆分成图像然后 ocr 987654324@
更新
在寻找最终解决方案时，我遵循@Andrew的建议，计算生成的txt文件中的字数，如果小于10字则进行下一步：pdf to images for later ocr recognition，这是什么我现在正在努力...
// convert any file with pdf extension to text
$cmd = "pdftotext -eol unix '$uploadedfile'";
shell_exec($cmd);
// save original file at the orig directory
rename("$uploadedfile", "orig/$uploadedfile");
// pdftotext renames files to txt so I need the file name with txt extension
$textfile = preg_replace('"\.(pdf|PDF)$"', '.txt', $uploadedfile);
// count words on the generated txt file
$cmd = "wc -w '$textfile' | cut -f1 -d' '";
$wc = shell_exec($cmd);
// proceed if words are less than 10
if ($wc < 10)
//take out the pdf extension for directory creation
$imgdir = preg_replace('"\.(pdf|PDF)$"', '', $uploadedfile);
$cmd = "mkdir '$imgdir'";
shell_exec($cmd);
//change pdf extension to jpg for images creation
$imgfile = preg_replace('"\.(pdf|PDF)$"', '.jpg', $uploadedfile);
//convert pdf to images
$cmd = "convert 'orig/$uploadedfile' '$imgdir/$imgfile'";
然后就会出现ocr...
更新2 感谢@Mark-Setchell 的建议，我对代码做了一点改动，现在最后一部分是这样的：
//take out the pdf extension for directory creation
$imgdir = preg_replace('"\.(pdf|PDF)$"', '', $uploadedfile);
$cmd = "mkdir '$imgdir'";
shell_exec($cmd);
//convert pdf to images
$cmd = "pdfimages 'orig/$uploadedfile' '$imgdir/$imgdir'";
【问题讨论】：
好吧，尝试获取文本。如果您的尝试失败，则发送到 OCR 好的，所以我应该有办法检查输出文件中是否有文本或足够的文本？...任何建议...谢谢 您没有问题中所述的“将 PDF 转换为文本”的应用程序吗？ 是的，pdftotext，但是这个只有当pdf内容是文本时才会转换，而不是当内容是文本图像时。 【参考方案1】：您可以使用 Poppler 包中的 pdfimages 列出并提取原始格式、大小和质量的所有图像：
pdfimages -list SomeFile.pdf
page num type width height color comp bpc enc interp object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
9 0 image 37 39 icc 3 8 jpeg no 978 0 102 102 915B 21%
9 1 smask 37 39 gray 1 8 image no 978 0 102 102 334B 23%
9 2 image 110 120 icc 3 8 jpeg no 977 0 101 101 2246B 5.7%
9 3 image 113 103 icc 3 8 jpeg no 976 0 101 101 2951B 8.5%
20 4 image 212 156 icc 3 8 jpeg no 996 0 101 101 3664B 3.7%
20 5 image 19 23 icc 3 8 jpeg no 1003 0 103 103 1619B 123%
20 6 smask 19 23 gray 1 8 image no 1003 0 103 103 291B 67%
22 7 image 212 156 icc 3 8 jpeg no 1188 0 101 101 3579B 3.6%
24 8 image 212 156 icc 3 8 jpeg no 1195 0 101 101 2824B 2.8%
25 9 image 212 156 icc 3 8 jpeg no 1202 0 101 101 3247B 3.3%
25 10 image 348 92 icc 3 8 jpeg no 1209 0 101 101 5022B 5.2%
25 11 smask 348 92 gray 1 8 jpeg no 1209 0 101 101 754B 2.4%
32 12 image 600 400 icc 3 8 jpeg no 1217 0 150 150 26.9K 3.8%
32 13 smask 600 400 gray 1 8 jpeg no 1217 0 150 150 3090B 1.3%
43 14 image 151 101 icc 3 8 jpeg no 1228 0 101 102 2656B 5.8%
43 15 image 71 84 icc 3 8 jpeg no 1227 0 101 101 1540B 8.6%
43 16 image 119 84 icc 3 8 jpeg no 1226 0 101 101 1768B 5.9%
43 17 image 83 84 icc 3 8 jpeg no 1230 0 101 101 2082B 10%
43 18 image 118 84 icc 3 8 jpeg no 1229 0 101 101 2205B 7.4%
46 19 image 170 114 icc 3 8 jpeg no 1243 0 101 101 2594B 4.5%
46 20 image 125 84 icc 3 8 jpeg no 1242 0 101 101 3029B 9.6%
46 21 image 125 84 icc 3 8 jpeg no 1242 0 101 101 3029B 9.6%
46 22 image 126 84 index 1 8 image no 1244 0 101 101 5849B 55%
48 23 image 226 234 icc 3 8 jpeg no 1260 0 151 151 5310B 3.3%
48 24 smask 226 234 gray 1 8 image no 1260 0 151 151 81B 0.2%
48 25 image 226 234 icc 3 8 jpeg no 1259 0 151 151 10.3K 6.7%
48 26 smask 226 234 gray 1 8 image no 1259 0 151 151 81B 0.2%
48 27 image 226 234 icc 3 8 jpeg no 1259 0 151 151 10.3K 6.7%
48 28 smask 226 234 gray 1 8 image no 1259 0 151 151 81B 0.2%
48 29 image 226 234 icc 3 8 jpeg no 1264 0 151 151 4052B 2.6%
48 30 smask 226 234 gray 1 8 image no 1264 0 151 151 284B 0.5%
48 31 image 109 113 index 1 8 image no 1263 0 151 150 5066B 41%
48 32 smask 109 113 gray 1 8 image no 1263 0 151 150 76B 0.6%
48 33 image 109 113 index 1 8 image no 1262 0 151 150 5362B 44%
48 34 smask 109 113 gray 1 8 image no 1262 0 151 150 76B 0.6%
48 35 image 226 234 index 1 8 image no 1261 0 151 151 15.5K 30%
48 36 smask 226 234 gray 1 8 image no 1261 0 151 151 284B 0.5%
50 37 image 156 103 icc 3 8 jpeg no 1291 0 101 101 3625B 7.5%
50 38 smask 156 103 gray 1 8 jpeg no 1291 0 101 101 490B 3.0%
50 39 image 156 103 icc 3 8 jpeg no 1290 0 101 101 3615B 7.5%
50 40 smask 156 103 gray 1 8 jpeg no 1290 0 101 101 472B 2.9%
50 41 image 157 103 icc 3 8 jpeg no 1289 0 101 101 3254B 6.7%
50 42 image 157 104 index 1 8 image no 1292 0 101 101 3020B 18%
52 43 image 181 139 icc 3 8 jpeg no 1309 0 101 101 4407B 5.8%
52 44 image 181 139 icc 3 8 jpeg no 1308 0 101 101 4744B 6.3%
52 45 image 181 139 icc 3 8 jpeg no 1307 0 101 101 2356B 3.1%
53 46 image 261 146 icc 3 8 jpeg no 1320 0 151 150 6577B 5.8%
53 47 smask 261 146 gray 1 8 image no 1320 0 151 150 264B 0.7%
53 48 image 261 146 icc 3 8 jpeg no 1319 0 151 150 7406B 6.5%
53 49 smask 261 146 gray 1 8 image no 1319 0 151 150 264B 0.7%
53 50 image 261 146 icc 3 8 jpeg no 1318 0 151 150 9274B 8.1%
53 51 smask 261 146 gray 1 8 image no 1318 0 151 150 264B 0.7%
53 52 image 261 146 icc 3 8 jpeg no 1318 0 151 150 9274B 8.1%
53 53 smask 261 146 gray 1 8 image no 1318 0 151 150 264B 0.7%
53 54 image 261 146 index 1 8 image no 1323 0 151 150 6681B 18%
53 55 smask 261 146 gray 1 8 image no 1323 0 151 150 264B 0.7%
53 56 image 261 146 icc 3 8 jpeg no 1322 0 151 151 7089B 6.2%
53 57 smask 261 146 gray 1 8 image no 1322 0 151 151 264B 0.7%
53 58 image 261 146 index 1 8 image no 1321 0 151 150 6981B 18%
53 59 smask 261 146 gray 1 8 image no 1321 0 151 150 264B 0.7%
58 60 image 600 556 icc 3 8 image no 1344 0 145 145 289K 30%
58 61 smask 600 556 gray 1 8 jpeg no 1344 0 145 145 8055B 2.4%
71 62 image 150 175 icc 3 8 jpeg no 1383 0 101 101 4008B 5.1%
71 63 image 150 174 icc 3 8 jpeg no 1382 0 101 101 2523B 3.2%
74 64 image 510 456 rgb 3 8 image no 1392 0 144 144 22.9K 3.4%
74 65 smask 510 456 gray 1 8 image no 1392 0 144 144 1438B 0.6%
74 66 image 443 177 rgb 3 8 image no 1398 0 144 144 25.0K 11%
74 67 smask 443 177 gray 1 8 image no 1398 0 144 144 102B 0.1%
然后使用extracted 作为文件名的根来提取它们：
pdfimages SomeDoc.pdf extracted
-rw-r--r--@ 1 mark staff 915 7 Oct 10:21 extracted-000.jpg
-rw-r--r-- 1 mark staff 4342 7 Oct 10:21 extracted-000.ppm
-rw-r--r-- 1 mark staff 4342 7 Oct 10:21 extracted-001.ppm
-rw-r--r--@ 1 mark staff 2246 7 Oct 10:21 extracted-002.jpg
-rw-r--r-- 1 mark staff 39615 7 Oct 10:21 extracted-002.ppm
-rw-r--r--@ 1 mark staff 2951 7 Oct 10:21 extracted-003.jpg
-rw-r--r-- 1 mark staff 34932 7 Oct 10:21 extracted-003.ppm
-rw-r--r--@ 1 mark staff 3664 7 Oct 10:21 extracted-004.jpg
-rw-r--r-- 1 mark staff 99231 7 Oct 10:21 extracted-004.ppm
-rw-r--r--@ 1 mark staff 1619 7 Oct 10:21 extracted-005.jpg
-rw-r--r-- 1 mark staff 1324 7 Oct 10:21 extracted-005.ppm
-rw-r--r-- 1 mark staff 1324 7 Oct 10:21 extracted-006.ppm
-rw-r--r--@ 1 mark staff 3579 7 Oct 10:21 extracted-007.jpg
-rw-r--r-- 1 mark staff 99231 7 Oct 10:21 extracted-007.ppm
-rw-r--r--@ 1 mark staff 2824 7 Oct 10:21 extracted-008.jpg
-rw-r--r-- 1 mark staff 99231 7 Oct 10:21 extracted-008.ppm
-rw-r--r--@ 1 mark staff 3247 7 Oct 10:21 extracted-009.jpg
-rw-r--r-- 1 mark staff 99231 7 Oct 10:21 extracted-009.ppm
-rw-r--r--@ 1 mark staff 5022 7 Oct 10:21 extracted-010.jpg
-rw-r--r-- 1 mark staff 96062 7 Oct 10:21 extracted-010.ppm
-rw-r--r--@ 1 mark staff 754 7 Oct 10:21 extracted-011.jpg
-rw-r--r-- 1 mark staff 96062 7 Oct 10:21 extracted-011.ppm
-rw-r--r--@ 1 mark staff 27539 7 Oct 10:21 extracted-012.jpg
-rw-r--r-- 1 mark staff 720015 7 Oct 10:21 extracted-012.ppm
-rw-r--r--@ 1 mark staff 3090 7 Oct 10:21 extracted-013.jpg
-rw-r--r-- 1 mark staff 720015 7 Oct 10:21 extracted-013.ppm
-rw-r--r--@ 1 mark staff 2656 7 Oct 10:21 extracted-014.jpg
-rw-r--r-- 1 mark staff 45768 7 Oct 10:21 extracted-014.ppm
-rw-r--r--@ 1 mark staff 1540 7 Oct 10:21 extracted-015.jpg
-rw-r--r-- 1 mark staff 17905 7 Oct 10:21 extracted-015.ppm
-rw-r--r--@ 1 mark staff 1768 7 Oct 10:21 extracted-016.jpg
-rw-r--r-- 1 mark staff 30002 7 Oct 10:21 extracted-016.ppm
-rw-r--r--@ 1 mark staff 2082 7 Oct 10:21 extracted-017.jpg
-rw-r--r-- 1 mark staff 20929 7 Oct 10:21 extracted-017.ppm
-rw-r--r--@ 1 mark staff 2205 7 Oct 10:21 extracted-018.jpg
-rw-r--r-- 1 mark staff 29750 7 Oct 10:21 extracted-018.ppm
-rw-r--r--@ 1 mark staff 2594 7 Oct 10:21 extracted-019.jpg
-rw-r--r-- 1 mark staff 58155 7 Oct 10:21 extracted-019.ppm
-rw-r--r--@ 1 mark staff 3029 7 Oct 10:21 extracted-020.jpg
-rw-r--r-- 1 mark staff 31514 7 Oct 10:21 extracted-020.ppm
-rw-r--r--@ 1 mark staff 3029 7 Oct 10:21 extracted-021.jpg
-rw-r--r-- 1 mark staff 31514 7 Oct 10:21 extracted-021.ppm
-rw-r--r-- 1 mark staff 31766 7 Oct 10:21 extracted-022.ppm
-rw-r--r--@ 1 mark staff 5310 7 Oct 10:21 extracted-023.jpg
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-023.ppm
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-024.ppm
-rw-r--r--@ 1 mark staff 10564 7 Oct 10:21 extracted-025.jpg
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-025.ppm
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-026.ppm
-rw-r--r--@ 1 mark staff 10564 7 Oct 10:21 extracted-027.jpg
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-027.ppm
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-028.ppm
-rw-r--r--@ 1 mark staff 4052 7 Oct 10:21 extracted-029.jpg
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-029.ppm
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-030.ppm
-rw-r--r-- 1 mark staff 36966 7 Oct 10:21 extracted-031.ppm
-rw-r--r-- 1 mark staff 36966 7 Oct 10:21 extracted-032.ppm
-rw-r--r-- 1 mark staff 36966 7 Oct 10:21 extracted-033.ppm
-rw-r--r-- 1 mark staff 36966 7 Oct 10:21 extracted-034.ppm
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-035.ppm
-rw-r--r-- 1 mark staff 158667 7 Oct 10:21 extracted-036.ppm
-rw-r--r--@ 1 mark staff 3625 7 Oct 10:21 extracted-037.jpg
-rw-r--r-- 1 mark staff 48219 7 Oct 10:21 extracted-037.ppm
-rw-r--r--@ 1 mark staff 490 7 Oct 10:21 extracted-038.jpg
-rw-r--r-- 1 mark staff 48219 7 Oct 10:21 extracted-038.ppm
-rw-r--r--@ 1 mark staff 3615 7 Oct 10:21 extracted-039.jpg
-rw-r--r-- 1 mark staff 48219 7 Oct 10:21 extracted-039.ppm
-rw-r--r--@ 1 mark staff 472 7 Oct 10:21 extracted-040.jpg
-rw-r--r-- 1 mark staff 48219 7 Oct 10:21 extracted-040.ppm
-rw-r--r--@ 1 mark staff 3254 7 Oct 10:21 extracted-041.jpg
-rw-r--r-- 1 mark staff 48528 7 Oct 10:21 extracted-041.ppm
-rw-r--r-- 1 mark staff 48999 7 Oct 10:21 extracted-042.ppm
-rw-r--r--@ 1 mark staff 4407 7 Oct 10:21 extracted-043.jpg
-rw-r--r-- 1 mark staff 75492 7 Oct 10:21 extracted-043.ppm
-rw-r--r--@ 1 mark staff 4744 7 Oct 10:21 extracted-044.jpg
-rw-r--r-- 1 mark staff 75492 7 Oct 10:21 extracted-044.ppm
-rw-r--r--@ 1 mark staff 2356 7 Oct 10:21 extracted-045.jpg
-rw-r--r-- 1 mark staff 75492 7 Oct 10:21 extracted-045.ppm
-rw-r--r--@ 1 mark staff 6577 7 Oct 10:21 extracted-046.jpg
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-046.ppm
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-047.ppm
-rw-r--r--@ 1 mark staff 7406 7 Oct 10:21 extracted-048.jpg
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-048.ppm
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-049.ppm
-rw-r--r--@ 1 mark staff 9274 7 Oct 10:21 extracted-050.jpg
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-050.ppm
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-051.ppm
-rw-r--r--@ 1 mark staff 9274 7 Oct 10:21 extracted-052.jpg
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-052.ppm
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-053.ppm
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-054.ppm
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-055.ppm
-rw-r--r--@ 1 mark staff 7089 7 Oct 10:21 extracted-056.jpg
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-056.ppm
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-057.ppm
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-058.ppm
-rw-r--r-- 1 mark staff 114333 7 Oct 10:21 extracted-059.ppm
-rw-r--r-- 1 mark staff 1000815 7 Oct 10:21 extracted-060.ppm
-rw-r--r--@ 1 mark staff 8055 7 Oct 10:21 extracted-061.jpg
-rw-r--r-- 1 mark staff 1000815 7 Oct 10:21 extracted-061.ppm
-rw-r--r--@ 1 mark staff 4008 7 Oct 10:21 extracted-062.jpg
-rw-r--r-- 1 mark staff 78765 7 Oct 10:21 extracted-062.ppm
-rw-r--r--@ 1 mark staff 2523 7 Oct 10:21 extracted-063.jpg
-rw-r--r-- 1 mark staff 78315 7 Oct 10:21 extracted-063.ppm
-rw-r--r-- 1 mark staff 697695 7 Oct 10:21 extracted-064.ppm
-rw-r--r-- 1 mark staff 697695 7 Oct 10:21 extracted-065.ppm
-rw-r--r-- 1 mark staff 235248 7 Oct 10:21 extracted-066.ppm
-rw-r--r-- 1 mark staff 235248 7 Oct 10:21 extracted-067.ppm
【讨论】：
谢谢@Mark-Setchell，我已经更改了我的代码的最后一部分，我发现这个建议不足以识别，因为您可以拥有一个包含文本和图像的 pdf 文件，任何在您只找到图像的情况下，很难从 pdfimages -list SomeFile.pdf 的输出文件中确定在脚本级别 我在想，如果您生成一个图像列表但没有找到，那么您的 PDF 将是文本或空的。 是的，无论如何，当我有图像和文本时我会做什么？ 在我看来，您的问题的标题暗示您知道您的 PDF 是文本或图像，并且您想知道哪个。 对不起，如果我让您感到困惑，但是当用户上传 pdf 文件时，他可以上传仅包含图像、仅文本或两者的 pdf...以上是关于如何检测pdf是文本还是图像的主要内容，如果未能解决你的问题，请参考以下文章
Google Vision Api 支持 PDF 和 TIFF 文本检测，但它也可以与包含图像的 PDf 一起使用吗？