我有一大堆的PDF文件，从扫描的文档来了。 该文件包含图像和文本的混合。 一些被扫描，没有OCR图像，所以每个PDF页面是一个大的图像，即使在整个页面完全是文字。 其他与OCR扫描并包含图像和文本搜索的文本在那里存在。 在许多情况下，图像，即使说完后，可搜索。
我想打一个自动化流程来识别文本中的所有使用OCR扫描的文件，与Acrobat 8专业版，但我不想再OCR是已经通过了在过去的OCR处理的文件。 有谁知道是否有办法告诉哪些只包含图片，哪些已经包含搜索文本？
我计划在C＃或VB.NET这样做，但我不认为能够说出两种文件除了依赖于语言。
Scannned图像转换为已OCR'ed善后使文本搜索也通常含有渲染为“看不见”的文本部分PDF。 所以你在屏幕上看到（或打印时纸张）仍然是原始图像。 但是，当你成功地搜索 ，你得到的命中突出显示了在不可见的文本。
我建议你看XPDF衍生命令行工具pdffonts(.exe) pdfinfo(.exe)和pdftotext(.exe) 看到这里下载： http://www.foolabs.com/xpdf/download.html
的示例用法pdffonts ：
C:\downloads\> pdffonts cisco-ip-phone-7911-guide6.1.pdf
name type emb sub uni object ID
------------------------------------ ----------------- --- --- --- ---------
LGOKFL+Univers-BlackOblique Type 1C yes yes no 13171 0
LGOKGM+Univers-Black Type 1C yes yes no 13172 0
[....]
此PDF（在“EMB”列指示由“是”）使用的字体（在“名称”列中显示），已经他们的嵌入式和使用子集字体（在“子”栏由“是”表示）。
C:\downloads\> pdffonts examle1.pdf
name type emb sub uni object ID
------------------------------------ ----------------- --- --- --- ---------
Univers-BlackOblique Type 1C yes no no 14 0
Arial TrueType no no no 15 0
这PDF使用2种字体（在“名称”列中显示）。 字体“宇宙-BlackOblique”完全嵌入（在“EMB”列由“是”表示，而“否”中的“子”列）。 字体“宋体”也被使用，但不嵌入。
C:\downloads\> pdffonts examle2.pdf
name type emb sub uni object ID
------------------------------------ ----------------- --- --- --- ---------
这PDF使用不是一个单一的字体，因此不具有任何嵌入文本（所以没有OCR其一）。
的示例用法pdftotext ：
C:\downloads\> pdftotext ^
-layout ^
cisco-ip-phone-7911-guide6.1.pdf ^
cisco-ip-phone-7911-guide6.1.txt
这将提取从PDF中的所有文本字符串（试图保留原来的布局有些类似）。 如果在PDF没有文字，你会知道有没有OCR ...
各种PDF工具可以告诉你，如果有文字。 有些是可以作为COM控件，甚至可能本机.NET的。
在Acrobat中打开文档。 转到文件 - >属性。 看“高级”部分中，找到PDF制作。 如果它读取类似“纸捕捉...”，那么它已经OCR'd。
希望这可以帮助。
Apago的pdfspy提取从PDF信息到一个XML文件中。 它包括有关，包括图像和文本的文档信息。 为您的项目，有用的信息，包括图像数和大小，那里是OCR（隐藏）文本。
http://www.apagoinc.com/pdfspy
对不起，挖旧线，但如果你发现这个看看我的线程：
批量OCR计划PDF文件
您可以在UNIX / LINUX / OSX或打开它作为蟒蛇“RB”模式catting它获取有关PDF的额外信息。 （当然，这是蟒蛇，你不想使用，但也许它的东西当量）。
使用“dtsearch”为所有PDF文件创建一个索引......然后“查看日志文件”索引过程中，检查未编入索引的PDF文件列表。
一个非常低技术的解决方案：已扫描的文本无疑将包含字母“a”这样做搜索上不包含字母AIE的所有文件内容“而不是”的任何文件。 显示的任何文件将不被OCR'd
