有没有Python的方法来识别PDF是否已经进行OCR处理（文本质量差）还是一个可搜索的PDF（文本质量完美）？

使用PDF的元数据

import pprint
import PyPDF2

def get_doc_info(path):
    pp  = pprint.PrettyPrinter(indent =4)
    pdf_file = PyPDF2.PdfFileReader(path, 'rb')
    doc_info = pdf_file.getDocumentInfo()
    pp.pprint(doc_info)

我发现：

result = get_doc_info(PDF_SEARCHABLE_HAS_BEEN_OCRD.pdf)
{   '/Author': 'NAPS2',
    '/CreationDate': "D:20200701104101+02'00'",
    '/Creator': 'NAPS2',
    '/Keywords': '',
    '/ModDate': "D:20200701104101+02'00'",
    '/Producer': 'PDFsharp 1.50.4589 (www.pdfsharp.com)'}
result = get_doc_info(PDF_SEARCHABLE_TRUE.pdf)
{   '/CreationDate': 'D:20210802122000Z',
    '/Creator': 'Quadient CXM AG~Inspire~14.3.49.7',
    '/Producer': ''}

我可以使用PDF元数据中的Creator来检查PDF的类型（真正的PDF还是OCR PDF）吗？

还有其他使用Python的方法吗？

如果这个问题没有解决方案，我如何使用深度学习/机器学习来检测PDF可搜索的类型（真或OCR）？

这是一个视频，帮助理解真PDF和OCR PDF之间的区别：https://www.youtube.com/watch?v=xs8KQbxsMcw

回答：

不久前我遇到了同样的问题！

我开发了（基于某个我无法回想的SO帖子）这个函数：

def get_scanned_pages_percentage(filepath: str) -> float:
    """    INPUT: PDF文件的路径    OUTPUT: OCR处理的包含文本的页面百分比"""
    total_pages = 0
    total_scanned_pages = 0
    with fitz.open(filepath) as doc:
        for page in doc:
            text = page.getText().strip()
            if len(text) == 0:
                # 忽略“空”页面
                continue
            total_pages += 1
            pix1 = page.getPixmap(alpha=False)  # 将页面渲染为图像
            remove_all_text(doc, page)
            pix2 = page.getPixmap(alpha=False)
            img1 = pix1.getImageData("png")
            img2 = pix2.getImageData("png")
            if img1 == img2:
                # print(f"{page.number} was scanned or has no text")
                if len(text) > 0:
                    # print(f"\tHas text of length {len(text):,} characters")
                    total_scanned_pages += 1
            else:
                pass
    if total_pages == 0:
        return 0
    return (total_scanned_pages / total_pages) * 100

这个函数如果PDF是包含OCR处理文本的图像，将返回100（或接近100），如果是原生数字PDF，则返回0。

删除所有文本：

def remove_all_text(doc, page):
    """从PDF文档页面（元数据）中删除所有文本"""
    page.cleanContents()  # 清理页面外观命令的语法
    # 清理后的命令源（字节对象）的xref
    xref = page.getContents()[0]
    cont = doc.xrefStream(xref)  # 读取它
    # 元数据以字节形式存储，它提取为字节。然后搜索引用文本的标签并删除它。
    ba_cont = bytearray(cont)  # 可修改版本
    pos = 0
    changed = False  # 指示更改的开关
    while pos < len(cont) - 1:
        pos = ba_cont.find(b"BT\n", pos)  # 开始文本对象
        if pos < 0:
            break  # 未（更多）找到
        pos2 = ba_cont.find(b"ET\n", pos)  # 结束文本对象
        if pos2 <= pos:
            break  # PDF页面定义中的重大错误！
        ba_cont[pos: pos2 + 2] = b""  # 删除文本对象
        changed = True
    if changed:  # 我们确实删除了一些文本
        doc.updateStream(xref, ba_cont)  # 写回不含文本的命令流