如何判断PDF文件是否包含嵌入式文本？

很多PDF看起来都有能读的文字，但这里面其实有个关键区别：一种是文字仅以位图形式存在——说白了就是把文字当成图片显示，只有人眼能认出是文字，电脑根本“读不懂”；另一种则是包含电脑可识别的嵌入式文本。

这点在扫描生成的PDF里特别容易混淆：有时候你看到的还是扫描出来的模糊文字图片，但实际上这个PDF已经做过OCR识别了，嵌入式文本就藏在文件里，只是平时阅读的时候没体现出来。

你可以用这两个简单方法快速判断：

• 尝试用鼠标选文字：如果能像选普通Word文档里的文字那样精准选中某段、某个词，说明文件里有嵌入式文本；要是只能选中整个图片区域，或者根本选不动，那大概率只是纯扫描的位图。
• 尝试搜索某个关键词：输入你确定在文档里的词，如果能搜到并直接定位到对应位置，那肯定有嵌入式文本；搜不到的话，要么没做过OCR，要么OCR只处理了部分内容。

另外还要注意，有时候会出现部分文本完成了OCR识别，另一部分没做的情况，这时候你选文字或搜索时就会发现，有的内容能正常识别，有的不行。

备注：内容来源于stack exchange，提问作者rwallace