Question

我有一套pdfs，我想从中处理（VB.NET）只有那些非文本可搜索的，你能告诉我如何去做吗？

Answer 1

一般来说，这样做的方法是打开每个页面并翻录内容流，看看是否执行了在页面上放置文本的文本操作符。

让我解释一下这意味着什么 - PDF内容是一种小型RPN语言，其中包含以某种方式标记页面的操作。例如，您可能会看到如下内容：

BT 72 400 Td /F0 12 Tf (Throatwarbler Mangrove) Tj ET

这意味着：

开始文字区域
以PDF为单位将文本基线的位置设置为（72,400）
将字体设置为当前页面的字体资源字典
绘制文字“Throatwarbler Mangrove”
结束文字区域

所以你可以尝试捷径

我的页面的资源字典是否包含任何字体？

在某些情况下，这会失败，因为某些PDF生成工具会将字体放入资源中字典，不要使用它们（误报）。如果页面内容包含包含文本的Form XObject（假阴性），它也将失败。

我的网页内容流是否有BT / ET操作符？

这会让你更接近，但是如果它们中没有内容（误报）或者它们不存在则会失败，但是有一个Form XObject包含文本（false negative）。

实际上，要做的是执行整个页面的内容流，包括在所有XObject上进行递归以查找文本操作符。

现在，您可以使用我的Atalasoft软件采取另一种方法（免责声明，我为Atalasoft工作，并编写了大部分PDF处理代码，我还参与了Acrobat版本1-4）。此页面包含任何文本，而不是询问，您可以询问“此页面只包含一个图像吗？”

bool allPagesImages = true;
using (Document doc = new Document(inputStream))
{
    foreach (Page p in doc.Pages)
    {
        if (!p.SingleImageOnly)
        {
            allPagesImages = false;
            break;
        }
    }
}

这将为allPagesImages留下一个相当不错的指示，即每个页面都是图像，如果您正在寻找OCR是不可搜索的文档，可能就是您真正想要的。

不利的一面是，对于单个谓词而言，这将是一个非常高的价格，但它也会为您提供PDF光栅化器以及直接从文件中提取图像的功能。

现在，我毫不怀疑一个坚实的工程师可以通过PDF规范工作并编写一些代码来扩展iTextPdfSharp来执行此任务我认为如果我坐下来，我可能能够编写该谓词在几天内，但我已经知道大部分的PDF规范。因此，可能需要两周到一个月的时间。所以你的选择。

Answer 2

我认为这个选项可能是你的考虑，虽然我还没有测试过代码，但我认为可以通过阅读你想要继续的每个PDF文件的属性来完成。

您可以查看以下链接：

http://www.codeguru.com/columns/vb/manipulating-pdf-files-with-itextsharp-and-vb.net-2012.htm

您必须在完成后立即阅读生产者属性。这只是一个例子。但我的建议请在此处提供您的代码，以便我们尽力帮助您。祝福你

如何检测pdf是文本可搜索还是非文本可搜索？

2 个答案: