我最近設置了一個Linux服務器，可以使用作爲Xpdf一部分的pdftotext命令將基於文本的PDF轉換爲文本，並通過使用gs（ Ghostscript）和tesseract命令。如何區分PHP中的「文本」PDF和「圖像」PDF？
當我已經知道PDF是基於文本還是基於圖像的時候，兩種解決方案都能很好地工作。但是，爲了自動化將許多PDF轉換爲文本的過程，我需要能夠判斷PDF是基於文本還是基於圖像，以便我知道在PDF上運行哪一組進程。
有沒有什麼辦法可以在PHP中分析一個PDF，並告訴它是基於文本還是基於圖像，以便我知道是否使用Xpdf或Ghostscript/Tesseract？
比較輸出結果並確定OCR運行的結果文本與Xpdf運行的輸出結果是否相同是一個不重要的任務。對於不可讀取的PDF文本（例如，非常小的字母）的情況，可以通過xpdf提取文本，甚至可以結束大量不必要的亂碼。
我會建議從PDF和OCR提取圖像只有那些，而不是完整的PDF。這樣
由於您已經在使用xpdf，因此您可以使用pdfimages -all來提取圖像。
[1]這不是100％正確的，因爲PDF可能是一個三明治的PDF，其中已經有一個OCR文本圖層位於圖像「後面」。
對不起，但我很困惑你推薦我做什麼。我是否應該將所有PDF轉換爲圖像，然後不加區別地對它們進行OCR處理，或者您是否推薦其他內容？使用Tesseract的OCR過程非常緩慢，所以我想盡可能避免OCR儘可能多的PDF。 – HartleySan
@HartleySan我的意思是使用一種工具來提取嵌入的圖像，並僅在這些工具上運行OCR工具。我在原始答案中增加了更多細節。 – tobltobs
如果兩者兼而有之，該怎麼辦？ – cmorrissey
這是否會發生，如果是這樣，將在文件上運行Xpdf的'pdftotext'就足夠了？無論哪種方式，無論是有兩種或三種不同類型的PDF，我需要能夠區分它們，以便我知道如何處理它們以獲取文本。謝謝。 – HartleySan
我會針對PDF運行這兩個腳本，然後您需要對輸出進行比較。 – cmorrissey