如何檢測不同類型的PDF

一個PDF文件的擴展名可以通過神奇的簽名進行驗證：25 50 44 46如何檢測不同類型的PDF

不過，我想檢測PDF是否含有文本或圖像（即PDF是否包含文本，可以是用ctrl + f搜索是否包含掃描的文檔）

有沒有辦法做到這一點？

iText，PDFBox和其他Java PDF庫也提供從PDF文件中提取文本或圖像的功能。使用這些功能之一，並找到一些標準，以便考慮在沒有OCR的情況下掃描的PDF（例如，頁面上不超過50個非空白字符，但至少有50％的頁面覆蓋有圖像）。 – mkl

這似乎是一種很好的技術。我會嘗試iText – Omnipresent

從技術上講，您可以解析PDF文檔結構並查找包含文本的元素。我想這需要付出很大努力才能實現。

所以你可能想要使用預製的PDF包來爲你解析（PDFBox，BfoPDF或類似的東西）。不過，我認爲這需要一些努力來實施。

我知道的最簡單的方法是使用可以爲您提取純文本的包。 Apache TIKA可以做到這一點。只要將它提供給文檔，看看你是否回來了。

在任何情況下，很難對包含圖像和文本的PDF進行分類。

2013-06-20 14:56:58 Durandal

回答