检测是否使用 OCR [pdfbox] 从扫描的文档创建 PDF答案

【问题标题】：Detect if a PDF is created from a scanned document using OCR [pdfbox]检测是否使用 OCR [pdfbox] 从扫描的文档创建 PDF
【发布时间】：2014-06-12 12:22:01
【问题描述】：

我想知道 PDF 是否是使用 OCR 从扫描文档创建的。

为了使扫描文档中的文本可选择，我猜相同的文本是使用透明颜色、特殊字体编写的......

我正在使用 pdfbox，我查看了字体、颜色和许多其他属性，但没有发现任何特别之处。

【问题讨论】：

这取决于 OCR 数据的实际嵌入。人们经常看到使用“不可见”的渲染模式或简单地首先绘制文本然后显示覆盖文字的图像的方法。
您不应该将分辨率添加到您的问题文本中，而应该将其作为答案。
我改成了答案

标签： java pdf ocr pdfbox

【解决方案1】：

在我的例子中，文本渲染模式设置为“既不填充也不描边文本”。

pdfbox代码：

getGraphicsState().getTextState().getRenderingMode() == PDTextState.RENDERING_MODE_NEITHER_FILL_NOR_STROKE_TEXT

【讨论】：

您能否提供所有示例代码，其中 PDF 包含多个页面？提前致谢！ :)

【解决方案2】：

在大多数情况下，原始图像仍然存在，而 OCRd 文本在下面是不可见的。

因此，一种可能性是找出是否有一张图片用文字覆盖了所有区域。

另一种可能性是查看字体并根据它们做出一些明智的决定

【讨论】：