如何检测不同类型的PDF

Question

可以通过魔术签名验证PDF文件扩展名：25 50 44 46

但是，我想检测PDF是否包含文本或图像（即PDF是否包含可以使用ctrl + f搜索的文本或是否包含扫描文档）

有办法做到这一点吗？

Answer 1

从技术上讲，您可以解析PDF文档结构并查找包含文本的元素。我想这需要付出很大的努力才能实现。

因此，您可能希望使用预制的PDF包为您进行解析（PDFBox，BfoPDF或类似的东西）。不过，我认为需要付出一些努力来实施。

我所知道的最简单的方法是使用可以为您提取纯文本的包。 Apache TIKA可以做到这一点。只需将文档提供给它，看看你是否得到了回报。

在任何情况下，很难对包含图像和文本的PDF进行分类。