我有一些PDF文件，我想使用拆分成TIFF文件convert（以便通过进行OCR tesseract）。到目前为止，这种方法非常有效-除了要使整个过程自动化之外，我需要设置convert输出的DPI 。现在，我正在使用如下命令：

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

...以300 DPI输出PDF文件。但是，某些PDF文件的DPI 较低（例如150 DPI），这意味着我不想通过300 DPI输出它们convert-这会创建太大的TIFF文件，而没有任何其他信息。

我知道，有一些方法可以通过打开Adobe Acrobat并在“预检”工具中检查来检查PDF文件中图像的DPI。但是，是否可以通过命令行确定特定PDF文件的DPI？

主要答案

由于我感兴趣的同样的工作（虽然不一定OCR的PDF文件，但将它们转换成的DjVu和再 OCR他们），我发现这个问题，并响应缺乏（因为我需要猜的DPI具有像素数量的图像，然后使用该尺寸作为输出pdfinfo或其他技巧-更不用说PDF内的图像可能具有不同的密度等）。

经过大量研究，我发现您可以使用pdfimages（从poppler-utils包中）类似以下内容：

$ 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%

请注意上面的清单中的x-ppi和y-ppi。它还列出了图像存储在PDF中的格式，这很酷（有时是JBIG2，有时是JPEG2000等）。

注意：deptest.pdf上面使用的文件可从pdfsizeopt的存储库中获得。

真正的行动

之后，您可以简单地提取图像pdfimages本身或使用pdftoppm（也来自poppler-utils）以您可能喜欢的多种格式渲染整个页面（例如tiff，用于使用扫描tesseract）。

您可以使用类似以下的内容（假设您已经创建了一个名称imgs，将其放置图像的目录）：

pdfimages -png Faraway-PRA.pdf imgs/prefix

这些文件将在目录内创建imgs，名称以开头prefix，如下所示：

$ 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
(...)

然后，您可以使用诸如此类的工具进行任何您认为合适的手术scantailor。

更直接的答案

如果只想OCR PDF文件，则可以使用维护良好且已打包的程序ocrmypdf。

我需要这些信息，只是在这里找到它：

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

此技术还使用ImageMagick：

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

输出为图像尺寸和dpi：

2480 x 3507 300 x 300

我使用以下命令：

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

它返回：

Size: 380x380