如何用pypdf的PdfReader检测PDF无可读文本或为扫描件

核心逻辑 #

扫描件类PDF本质是图片封装的文件，没有内嵌可提取的文本内容。通过提取指定页数的文本并判断有效内容长度，就能快速识别这类PDF。你可以选择优先检查全文件，也可以只检查前几页（比如前3页）来提升效率，一旦发现无有效文本就终止后续操作。

实现代码 #

方案1：检查前N页（高效快速） #

适合快速判断，避免处理大文件的耗时：

from pypdf import PdfReader

def is_scan_like_pdf(pdf_path, check_pages=3):
    reader = PdfReader(pdf_path)
    # 取实际页数和指定检查页数的较小值，防止文件页数不足
    check_count = min(check_pages, len(reader.pages))
    
    for i in range(check_count):
        page_text = reader.pages[i].extract_text()
        # 过滤空白字符后判断长度，排除仅含空格、换行的无效内容
        cleaned_text = page_text.strip() if page_text else ""
        if len(cleaned_text) > 0:
            return False  # 检测到可读文本，不是扫描件类PDF
    return True  # 指定页数都无有效文本，大概率是扫描件

# 使用示例
pdf_path = 'resources/something.pdf'
if is_scan_like_pdf(pdf_path):
    print("该PDF大概率无可读文本（可能是扫描件），终止操作")
else:
    reader = PdfReader(pdf_path)
    all_text = [page.extract_text() for page in reader.pages]
    # 后续文本处理逻辑

方案2：检查全文件（精准判断） #

需要确保整个PDF都无文本时使用：

from pypdf import PdfReader

def has_no_readable_text(pdf_path):
    reader = PdfReader(pdf_path)
    for page in reader.pages:
        page_text = page.extract_text()
        cleaned_text = page_text.strip() if page_text else ""
        if len(cleaned_text) > 0:
            return False
    return True

# 使用示例
pdf_path = 'resources/something.pdf'
if has_no_readable_text(pdf_path):
    print("该PDF无可读文本，终止操作")
else:
    reader = PdfReader(pdf_path)
    all_text = [page.extract_text() for page in reader.pages]
    # 后续文本处理逻辑

补充说明 #

• 若PDF存在扫描页与文本页混合的情况，可调整判断逻辑（比如允许一定比例的空白页）。
• extract_text()可能提取到少量乱码或空白字符，用strip()过滤后判断长度能避免误判。
• 如需更精准识别，可结合OCR工具（如pytesseract）验证，但会增加复杂度和耗时，上述方法属于轻量级快速判断方案。

内容的提问来源于stack exchange，提问作者brot