Tellen PDF-bestanden met OCR-laag

[bierdop]

Voor een digitaliseringsproject zijn documenten ingescand en van een OCR-laag voorzien. Het betreft hierbij > 50.000 bestanden. Na controle blijkt dat een een gedeelte van deze bestanden geen OCR-laag bevat. Ik wil in kaart brengen hoeveel PDF-bestanden niet van OCR voorzien zijn. Om dit te doen ben ik opzoek naar een tool die het aantal pdf-bestanden telt en daarbij aangeeft of het bestand OCR bevat.

Heeft iemand enig idee of een dergelijke tool bestaat? Ik ben meerdere PDF-counters tegengekomen, maar helaas nog niet met deze OCR-tel functionaliteit.

PS: het is overigens niet de bedoeling om deze PDF-documenten direct van OCR te voorzien.

[F_J_K]

Je zou (mits de juiste kennis) iets kunnen bouwen o.b.v. de mogelijkheden om tekst te extracten. Als er geen text is om te extracten is het een plaatje, anders plaatje+OCR tekst.

Bij 50k files de moeite van het bouwen.

[bierdop]

Inmiddels heb ik het probleem kunnen oplossen en wel als volgt:

1) Download / schaf het programma aan, bijv. "PDF to Text Batch Converter"
2) Gebruik de zoekfunctie in windows, zoek op de geconverteerde documenten, bijv. *.txt
3) Sorteer op grootte van het zoekresultaat
4) Delete het zoekresultaat waarbij tekst daadwerkelijk ge-extract is.
5) Alle overige documenten bevatten geen tekst en daarmee dus ook geen OCR-functionaliteit.

[F_J_K]

Slimme oplossing, dank voor de update!