วิธีค้นหา PDF ที่ไม่สามารถค้นหาได้โดยอัตโนมัติ

สมมติว่าฉันมีไดเรกทอรีที่เต็มไปด้วย PDF จำนวนมาก ในส่วนใหญ่ข้อความสามารถค้นหาได้อย่างสมบูรณ์ซึ่งเป็นวิธีที่ฉันต้องการ แต่บางคนก็เป็นเพียงการสแกนภาพและพวกเขาต้องเป็น OCR-ed

ถ้าอย่างนั้นการทำ OCR แบบแบตช์ในไดเรคทอรีทั้งหมดมีวิธีที่จะระบุว่า PDF ใดเป็นไฟล์ภาพอย่างเดียวที่ต้องเป็น OCR-ed หรือไม่?

ฉันไม่ใช่โปรแกรมเมอร์ แต่ต้องการโซลูชันที่เป็นมิตรกับ linux

ฉันไม่แน่ใจว่านี่เป็นวิธีแก้ปัญหา 100% หรือไม่ แต่ฉันมาพร้อมกับสคริปต์ต่อไปนี้ซึ่งจะช่วยให้คุณได้รับส่วนที่ดีถ้าไม่ใช่วิธีทั้งหมด (ฉันยังไม่ผ่านสเป็ค) มันควรจะเรียกใช้จาก ไดเรกทอรีที่มี PDF ทั้งหมด (มันจะค้นหาไดเรกทอรีย่อย)

#! /bin/bash

if [[ ! "$#" = "1" ]]
  then
      echo "Usage: $0 /path/to/PDFDirectory"
      exit 1
fi

PDFDIRECTORY="$1"

while IFS= read -r -d $'\0' FILE; do
    PDFFONTS_OUT="$(pdffonts "$FILE" 2>/dev/null)"
    RET_PDFFONTS="$?"
    FONTS="$(( $(echo "$PDFFONTS_OUT" | wc -l) - 2 ))"
    if [[ ! "$RET_PDFFONTS" = "0" ]]
      then
          READ_ERROR=1
          echo "Error while reading $FILE. Skipping..."
          continue
    fi
    if [[ "$FONTS" = "0" ]]
      then
          echo "NOT SEARCHABLE: $FILE"
      else
          echo "SEARCHABLE: $FILE"
    fi
done < <(find "$PDFDIRECTORY" -type f -name '*.pdf' -print0)

echo "Done."
if [[ "$READ_ERROR" = "1" ]]
  then
      echo "There were some errors."
fi

ใช้งานได้โดยค้นหาจำนวนแบบอักษรที่ระบุในแต่ละ PDF หากไฟล์ไม่มีแบบอักษรใด ๆ ไฟล์นั้นจะถือว่ามีเฉพาะภาพเท่านั้น (นี่อาจเป็นไฟล์ที่มีการป้องกันด้วยรหัสผ่านฉันไม่มีความคิดไม่มีอะไรที่จะทดสอบ) หากมีบางสิ่งที่สามารถค้นหาได้และบางอย่างซึ่งเป็นรูปภาพสิ่งนี้จะไม่ทำงาน - แต่อาจเป็นประโยชน์ในการแยกเอกสารรูปภาพที่สแกนในคอนเทนเนอร์ PDF จาก PDF ของ "ของจริง"

แน่นอนว่าคุณสามารถแสดงความคิดเห็นในส่วนของ if-then-else loop ซึ่งไม่ได้ใช้หากคุณต้องการพิมพ์ไฟล์ที่ไม่สามารถค้นหาได้เท่านั้น

ฉันจะใช้เคล็ดลับมันเป็นข้อเท็จจริงรองที่แปลกประหลาดฉันสังเกตว่าpdfไฟล์ไม่มีตัวอักษรใด ๆ มันมักจะไม่สามารถค้นหาได้ pdffontsดังนั้นการรู้นี้เราสามารถใช้

2 บรรทัดแรกของpdffontsส่วนหัวเป็นส่วนหัวของตารางดังนั้นเมื่อไฟล์ที่ค้นหาได้มีเอาต์พุตมากกว่าสองบรรทัดโดยรู้ว่าเราสามารถสร้างสิ่งนี้ได้:

gedit check_pdf_searchable.sh

จากนั้นวางสิ่งนี้

#!/bin/bash 
#set -vx
if ((`pdffonts "$1" | wc -l` < 3 )); then
echo $1
pypdfocr "$1" # alternatively you can use ocrmypdf "$1" "${1}_ocr.pdf"
fi

จากนั้นทำให้สามารถเรียกใช้งานได้

chmod +x check_pdf_searchable.sh

จากนั้นแสดงรายการไฟล์ PDF ที่ไม่สามารถค้นหาได้ทั้งหมดในไดเรกทอรี:

ls -1 ./*.pdf | xargs -L1 -I {} ./check_pdf_searchable.sh {}

หรือในไดเรกทอรีและไดเรกทอรีย่อย:

tree -fai . | grep -P ".pdf$" | xargs -L1 -I {} ./check_pdf_searchable.sh {}

ฉันมีปัญหากับtreeวิธีการแก้ปัญหานี้ได้ผลสำหรับฉันโดยใช้สคริปต์เดียวกัน

find . -name "*.pdf" -type f -exec ~/check_pdf_searchable.sh {} \;

~/สมมติว่าสคริปต์อยู่ในไดเรกทอรีบ้านของคุณ ทำให้สิ่งต่าง ๆ ง่ายขึ้น