检查PDF文件是否为扫描文件
以编程方式检查PDF文件是否完全扫描的最佳方法是什么？ 我有iText和PDFBox供我使用。 我可以检查pdf文件是否包含文本，并根据结果来确定此文件是否为OCR，但此解决方案不是100％准确。 我想知道是否有另一种方法可以解决这个问题。
如您所知，解决方案必须基于Java。
您最好的选择可能是检查它是否有文本，还可以查看它是否包含大页面图像或覆盖页面的大量平铺图像。 如果您还检查元数据，则应涵盖大多数选项。
恕我直言，你无法确定。 但你可以尝试一些东西，如寻找文本，尝试OCR pdf，并根据识别的文本数量决定，你可以寻找一些基本的扫描错误，如淡出或纸/书边距。
你可以使用Quick PDF Library Lite中的HasFontResources函数来检查PDF是否有任何字体资源（很好地指示文档是否包含任何字体） – 一个免费的ActiveX组件，理论上你可以从Java使用它在第三方附加组件的帮助下。
检查文本/字体资源是确定是否可以从扫描过程生成PDF的最准确方法。 这与Mark Stephens建议寻找大页面大小的图像等相结合。
但不幸的是，没有任何100％保证准确的方法来检查PDF是否被扫描。
您是否了解如何扫描文档，如果是的话？ 虽然“Creator”元数据项不是强制性的，但如果您的扫描仪设置它，它可能是一个有用的线索。
我只是按尺寸判断。 扫描的文件不合理。 对于1000页，我的经验法则是，真实文本pdf：1-20 M，扫描的那个可以达到30到100 M.
find ./ -name "*.pdf" -print0 | xargs -0 -I {} bash -c 'export file="{}"; if [ $(pdffonts "$file" 2> /dev/null | wc -l) -lt 3 ]; then echo "$file"; fi' 说明：如果pdf包含文本，pdffonts file.pdf将显示2行以上。 输出所有不包含文本的pdf文件的文件名，因此扫描的PDF文件也是如此。