OCR任务中如何区分扫描版PDF与原生可搜索文本PDF？

原有pdf_fonts方法失效的原因 #

pdf_fonts通过读取PDF内嵌字体元数据做判断，存在大量误判场景：

• 扫描版PDF为兼容旧阅读器，常会在文档结构中写入空的占位字体条目，但页面本身不存在任何可提取的文本对象
• 部分原生PDF导出时未规范写入字体元数据，会导致pdf_fonts无法返回有效结果，被误判为扫描版

可落地的区分逻辑 #

核心判断依据为PDF内嵌可提取有效文本的占比，完全适配你当前使用的pdftools工具链，无需引入额外复杂依赖，可跳过耗时的全量OCR预判环节：

1. 执行轻量无OCR文本提取
   直接读取PDF内置的文本对象，不对页面位图做识别，耗时仅为OCR的1%不到：

   extracted_raw <- pdf_text(pdf_path)
   

2. 基于有效文本量设置分流阈值
   先过滤所有空白字符，统计有效字符总数，再按单页平均字符量判定类型：

   total_valid_chars <- sum(nchar(gsub("\\s", "", extracted_raw)))
   page_count <- pdf_info(pdf_path)$pages
   avg_valid_chars_per_page <- total_valid_chars / page_count
   

   • 若avg_valid_chars_per_page低于设定阈值，判定为扫描版，走原有OCR流程
   • 若avg_valid_chars_per_page高于阈值，判定为原生文本PDF，直接使用提取的文本结果

   阈值参考：纯文字类文档阈值设为20-30即可；图表较多的学术/商业文档可将阈值上调至50-100，避免因文本占比低出现误判。

3. 伪OCR场景的兜底校验
   针对部分扫描后叠加了劣质伪OCR层的文件，可搭配页面图片占比做二次校验：

   # 提取单页内嵌图片的面积
   page_image_info <- pdf_page_images(pdf_path, page = 1)
   

   若单页图片覆盖面积超过90%、同时有效文本量低于阈值，可100%判定为扫描版，避免伪OCR层干扰判断。

内容的提问来源于stack exchange，提问作者Andres Mora