我的问题是我有一堆PDF文件，我想将它们转换为文本文件。其中一些是纯PDF文件，而另一些则内部有扫描页面。我正在用python编写一个程序，所以我正在使用pdftotext将它们转换为TXT。
我正在使用以下命令
filename = glob.glob(src) //src is my directory with my files
for file in filename:
subprocess.call(["pdftotext", file])
我想问的是，是否有办法在转换之前检查扫描的页面，以便我可以使用带有pdftotext的ghostscript命令来操作它们。现在，我有一个主动权来检查.txt文件的大小，如果它低于该撤销权，我正在使用 ghostscript 命令来操作它们。
问题在于，对于在 90 页中扫描了 50 或 60 个的大文件，即使使用 pdftotext，文件的大小也始终高于主动权限。
一个"纯"的PDF文件中可以包含图像。
没有简单的方法可以判断PDF文件是否是扫描页面。我认为，您最好的选择是分析页面内容流，看看它们是否只包含图像（一些扫描仪将单个扫描页面分解为多个图像）。您可以假设它们是扫描的页面，无论如何您都不会使用 Ghostscript 从中获得任何文本。
另一种方法是将pdf_info.ps程序用于Ghostscript，并让它列出字体用途。没有字体 == 没有文本，尽管可能存在字体但仍然没有文本。此外，我认为这不适用于逐页。