Eu tenho alguns arquivos PDF que eu quero dividir em arquivos TIFF usando convert(para OCR via tesseract). Até agora, isso está funcionando muito bem - exceto que, para automatizar todo o processo, preciso definir o DPI da convertsaída. No momento, estou usando um comando como este:

convert -density 300 myFile.pdf -depth 8 -background white output-%04d.tiff

... que gera os arquivos PDF em 300 DPI. No entanto, alguns arquivos PDF têm DPI mais baixo (por exemplo, 150 DPI), o que significa que eu não quero produzi-los a 300 DPI via convert- isso cria arquivos TIFF excessivamente grandes sem nenhuma informação adicional.

Sei que existem maneiras de verificar o DPI das imagens em um arquivo PDF, abrindo o Adobe Acrobat e mexendo nas ferramentas "preflight". No entanto, existe uma maneira de determinar, através da linha de comando, o DPI de um arquivo PDF específico?

Resposta principal

Como estou interessado no mesmo tipo de trabalho (embora não necessariamente oculte os arquivos PDF, mas os converta para DjVu e depois OCR), achei essa pergunta e as respostas ausentes (pois precisava adivinhar o DPI do imagens com o número de pixels e, em seguida, use o tamanho como saída pdfinfoou outros truques - sem mencionar que as imagens em um PDF podem ter densidades diferentes etc.).

Depois de muita pesquisa, descobri que você pode usar pdfimages(do pacote poppler-utils ) como o seguinte:

$ pdfimages -list deptest.pdf
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image     100   100  gray    1   1  image  no         9  0    53    53  169B  14%
   2     1 image     100   100  gray    1   1  ccitt  no   [inline]      53    53  698B  56%

Observe o x-ppie y-ppina lista acima. Ele também lista o formato em que as imagens são armazenadas no PDF, o que é legal (às vezes, é JBIG2, às vezes JPEG2000 etc.)

Nota: O arquivo deptest.pdfusado acima está disponível no pdfsizeoptrepositório .

A ação real

Depois disso, você pode simplesmente extrair as imagens consigo pdfimagesmesmo ou usar pdftoppm(também de poppler-utils) para renderizar páginas inteiras em vários formatos que desejar (por exemplo, tiff, para digitalizar tesseract).

Você pode usar algo como o seguinte (supondo que você tenha criado um diretório chamado imgsonde você colocará suas imagens):

pdfimages -png Faraway-PRA.pdf imgs/prefix

Os arquivos serão criados dentro do diretório imgscom nomes começando por prefix, como em:

$ ls 
prefix-000.png  prefix-047.png  prefix-094.png  prefix-141.png
prefix-001.png  prefix-048.png  prefix-095.png  prefix-142.png
prefix-002.png  prefix-049.png  prefix-096.png  prefix-143.png
prefix-003.png  prefix-050.png  prefix-097.png  prefix-144.png
(...)

Você pode, então, executar qualquer cirurgia que achar melhor com ferramentas como scantailorou o que quiser.

Resposta mais direta

Se você quiser apenas registrar um arquivo PDF em OCR, poderá usar um programa bem conservado e já empacotado, ou seja, ocrmypdf .

Eu precisava dessas informações e as encontrei aqui:

http://www.wizards-toolkit.org/discourse-server/viewtopic.php?t=16110

Essa técnica também usa o ImageMagick:

identify -format "%w x %h %x x %y" DAT_1.tif

A saída é o tamanho da imagem e o dpi:

2480 x 3507 300 x 300

Eu uso o seguinte comando:

convert MyPDF.pdf -print "Size: %wx%h\n" /dev/null

e retorna:

Size: 380x380