如何检查PDF是扫描图像还是包含R中的文本

Question

我正在 R 中对几个 PDF (>1000) 进行结构方程模型

但是，有些 PDF 是可读的，而另一些是扫描的，即我需要运行通过 OCR 功能对它们进行扫描。

因此，我需要找到一种方法来自动识别哪些 PDF 包含文本，哪些不包含文本。具体来说，我希望通过 OCR 找到 return 给定 PDF 是否应该运行的方法。

有没有人知道 R 中的任何函数或包可能有助于做到这一点 - 我可以找到几个 Python 的解决方案，但无法在 R 中找到一些解决方案。

Answer 1

你可以使用这样的方法（@danlooo 已经建议但我想把它拼出来）：

files <- list.files("/home/johannes/pdfs/",
                    pattern = ".pdf$",
                    full.names = TRUE)

pdfs_l <- lapply(files, function(f) {
  out <- pdftools::pdf_text(f)
  # I set the test to an arbitrary number of characters, it works for me but you want
  # to maybe fine tune it a bit
  contains_text <- nchar(out) > 15
  if (!contains_text) {
    out <- pdftools::pdf_ocr_text(f)
  }
  data.frame(text = out, ocr = !contains_text)
})

pdfs_l |>
  dplyr::bind_rows() |>
  dplyr::mutate(text = trimws(text)) |>
  tibble::as_tibble()
#> # A tibble: 22 × 2
#>    text                                                                    ocr  
#>    <chr>                                                                   <lgl>
#>  1 "TEAM MEMBERS:\n                                                      … FALSE
#>  2 "WS 21/22                                                             … FALSE
#>  3 "WS 21/22                                                             … FALSE
#>  4 "TEAM MEMBERS:\n                                                      … FALSE
#>  5 "TEAM MEMBERS:\n                                                      … FALSE
#>  6 "Key Concepts in Political Communication\n    @Agenda Setting, Priming… FALSE
#>  7 "Key Concepts in Political Communication\n    @Agenda Setting, Priming… FALSE
#>  8 "ELECTIONS AND CAMPAIGNS\n                                            … FALSE
#>  9 ""                                                                      TRUE 
#> 10 ""                                                                      TRUE 
#> # … with 12 more rows

^{由 reprex package (v2.0.1)}

创建于 2022-02-10

如何检查PDF是扫描图像还是包含R中的文本

How to check if PDF is scanned image or contains text in R

pdf

text

r