如何检测文档中的图像，例如doc，xls，ppt或pdf？
我遇到了Apache Tika，我正在尝试使用它的命令行选项。 http://tika.apache.org/1.2/gettingstarted.html
但不太确定如何检测图像。
感谢任何帮助。
由于
答案 0 :(得分：3)
你已经说过要使用命令行解决方案，而不是编写任何Java代码，所以它不会是最漂亮的方式...如果你乐意写一点Java，并创建一个新的程序来从Python调用，然后你可以做得更好！
要做的第一件事就是让Tika App提取出文件中的所有嵌入资源。使用--extract选项，并在应用程序控制的特殊临时目录中进行提取，例如
$ java -jar tika.jar --extract ../testWORD_embedded_pdf.doc
Extracting 'image1.emf' (application/x-emf)
Extracting '_1402837031.pdf' (application/pdf)
如果可以，抓取提取的输出，并解析查找图像（但请注意，某些图像的canconical mimetype上有application/前缀！）。你可能需要在几个上运行第二个--detect步骤，我不确定，测试解析器如何进行提取。
现在，如果有图像，它们将在你的测试目录中。根据需要处理它们。最后，当你完成文件时，删除临时目录！
答案 1 :(得分：0)
过去使用过Tika 我看不出Tika如何帮助Office文档或PDF中嵌入的图像我错了回答否。你会有可能仍会尝试解析Apache POI和Apache PDFBox等本机API。 Tika确实使用两个库来解析文本和元数据，但没有嵌入式图像支持。
使用Tika可以自动获取这些API（使用Tika的副作用）。
更新： 自Tika 0.8：寻找EmbeddedResourceHandler和例子 - 感谢Gagravarr。