请教 v 友如何分辨一个 pdf 文档是扫描版还是文字版？速度优先，准确率其次

[mclxly]

问了大模型，目前用 pdfinfo/pdffonts/pdfimages 结合来，准确度不理想。

[tool2dx]

纯扫描版就是 jpg 内嵌大图，没有具体文字可以选中，用 pdf 文字提取工具，很容易识别的吧。

[shintendo]

文件体积除以页数

[gpt5]

@tool2dx 很多扫描都是带 ocr 的，可以选文字。

[paopjian]

直接用脚本尝试提取文字不可以吗?多于几个字就算是文字版

[mclxly]

@tool2dx 有大量文件，得程序自动识别

@shintendo 文件 1：25 页/588K 文件 2：334 页/1.7M 文件 3：141 页/3.3M ，你说这三本书咋区分？

[mclxly]

@paopjian 我遇到过可以提取少量文字的电子书（主要是扫描图片）

[sketcherly]

直接解析 pdf 统计字数呢

[CLMan]

就算是用 文件大小/页 ，准确率应该也差不到哪里去。

[cowcomic]

如果是大面上的区分的话，大小除以页数应该就是比较迅速的方式了
除非要求比较精确，百分之多少是图片之类的

[mclxly]

@sketcherly 扫描版大部分是图片

@CLMan 单页大小阈值不好确定

@cowcomic 百分比阈值不好确定，我遇到过每页都有背景图的文字版电子书

[xiaomageit]

降精

[israinbow]

文字版 pdf 转成 html 看起来会很有逻辑.