如何区分数字创建的PDF和可搜索的PDF？

Question

我目前正在分析一组PDF文件。我想知道有多少PDF文件属于这三类：

• 数字创建的PDF：文本存在（可复制），并保证其正确性，因为它是直接创建的，例如从Word创建的
• 仅图像PDF：扫描的文档
• 可搜索PDF：扫描的文档，但使用了OCR引擎。OCR引擎将文本放在图像的“下方”，以便您可以搜索/复制内容。由于OCR非常好，大多数情况下这是正确的。但这并不能保证是正确的

在我的域中很容易识别仅图像PDF，因为每个PDF都包含文本。如果我不能提取任何文本，它只是图像。但是，我如何知道它是“仅仅”一个可搜索的PDF，还是一个数字化创建的PDF

顺便说一句，这并不像我看到的扫描文档中制作人字段上写着“MicrosoftWord”那样简单

注意：作为一个人，这很容易。我只是放大文本。如果我看到像素，它“只是”可搜索

以下是测试解决方案的3个示例PDF文件：

• Digitally Created PDF
• Scanned PDF：嗯。。不是真的；我使用脚本创建图像，然后将它们作为PDF格式放在一起。但这只意味着质量很好。它应该非常类似于扫描
• Searchable PDF

我的努力/想法

• 使用创建者/制作人：我在扫描的文档中看到“Microsoft Word”。这也会很乏味
• 嵌入式字体：您可以extract embedded fonts。当时的想法是，扫描的文档不会嵌入字体，而是使用默认字体。从这个例子可以看出，这个想法是错误的

Answer 1

从How to check if PDF is scanned image or contains text修改this answer

在这个解决方案中，您不必渲染pdf，因此我猜它会更快。基本上，我修改的答案使用文本覆盖的pdf区域的百分比来确定它是文本文档还是扫描文档（图像）

我添加了一个类似的推理，计算图像覆盖的总面积来计算图像覆盖的百分比。如果它大部分被图像覆盖，您可以假定它是扫描的文档。您可以移动阈值以适应文档集合

我还添加了逻辑来逐页检查。这是因为至少在我拥有的文档集合中，一些文档可能有一个数字创建的第一页，然后扫描其余的页面

修改代码：

import fitz #pip install PyMuPDF

def page_type(page):

    page_area =abs(page.rect) #total page area

    img_area=0.0
    for block in page.getText("RAWDICT")["blocks"]:
        if block["type"]==1: #Type=1 are images
            bbox=block["bbox"]
            img_area+=(bbox[2]-bbox[0])*(bbox[3]-bbox[1]) # width*height
    img_perc=img_area / page_area
    print("Image area proportion: "+str(img_perc))

    text_area = 0.0
    for b in page.getTextBlocks():
        r = fitz.Rect(b[:4])  # rectangle where block text appears
        text_area = text_area + abs(r)
    text_perc=text_area / page_area
    print("Text area proportion: "+str(text_perc))

    if text_perc < 0.01: #No text = Scanned
        page_type="Scanned"
    elif img_perc > .8:  #Has text but very large images = Searchable
        page_type="Searchable text" 
    else:
        page_type="Digitally created"
    return page_type


doc=fitz.open(pdffilepath)

for page in doc: #Iterate through pages to find different types
    print(page_type(page))