Как различать «текстовые» PDF-файлы и «образные» PDF-файлы в PHP?

Question

Я недавно создал сервер Linux, чтобы иметь возможность конвертировать текстовые PDF-файлы в текст с помощью команды pdftotext, входящей в состав Xpdf, а также для преобразования PDF-файлов на основе изображений в текст с использованием комбинации gs (Ghostscript) и tesseract.

Оба решения работают очень хорошо, когда я уже знаю, является ли PDF текстовым или основанным на изображениях. Однако, чтобы автоматизировать процесс преобразования многих PDF-файлов в текст, мне нужно выяснить, является ли PDF текстовым или основанным на изображениях, чтобы я знал, какой набор процессов запускается в PDF-файле.

Есть ли какой-либо способ в PHP для анализа PDF-файла и рассказать, основан ли он на текстовой или графической основе, чтобы я знал, использовать ли на нем Xpdf или Ghostscript/Tesseract?

Answer 1

Сравнение результата и принятия решения о том, является ли полученный текст из OCR-прогона тем же, что и выход из прогона Xpdf, является нетривиальным кветом. В случае текста OCRable PDF (например, очень маленьких букв), где текст может быть извлечен xpdf, вы даже закончите много ненужной тарабарщины.

Я предлагаю извлечь изображения из PDF-файлов и OCR только те, а не полный PDF-файл. Таким образом

• Вам не нужно сравнивать тексты [1].
• В зависимости от того, как изображения включены в PDF, вы также можете получить лучшие результаты распознавания.
• Также вы избегаете ненужного текста OCRing, который содержится в виде чистого текста.

Как вы уже используете xpdf, вы можете использовать pdfimages -all для извлечения изображений.

[1] Это не соответствует действительности на 100%, так как PDF-файл может быть зажатым в формате PDF, где уже есть текстовый слой OCRed «позади» изображения.