我正在使用iText库从PDF文档中读取文本。但是，除了文本之外，某些pdf文档可能还会嵌入图像。
我想知道是否通过iText或其他方式确定pdf文档是否包含图像？
答案 0 :(得分：2)
您可以使用PDF库进行正确且100％可靠的检查。
但是，您可以通过将PDF作为文本阅读并以此方式处理来进行相当可靠的检查。您需要首先通过在开始时查找PDF标题来检查它是否为PDF，
%PDF...
然后扫描查找短语，
/XObject
当您点击此标记时，您需要在流中向后和向前检查＆lt;＆lt;和＆gt;＆gt;拉出完整的XObject字典的字典边界。可能有嵌套的＆lt;＆lt;和＆gt;＆gt;所以你可能想要回到'obj'并转发到'stream'条目。无论如何你最终会得到这样的东西，
<<
/Type /XObject /Subtype /Image /Name /I1
/Width 800 /Height 128
/BitsPerComponent 1 /ImageMask true
/Filter [/FlateDecode]
/Length 2302 >>
你需要检查的是，这个/ Subtype条目和/ Image由一些空格分隔。如果你点击那么你就有了一张图片。
那么这种方法的局限是什么？
可以在文档中嵌入图像但不能使用它。这将导致误报。我认为这不太可能。这样做效率非常低，只有一个非常狡猾的制作人才会这样做。
如上面Hugo所述，图像可以嵌入页面内容流中。这将导致假阴性。这些都是非常罕见的。这是规范的其中一个，从来都不是一个好主意，并没有被广泛使用。如果你有来自单个生产者的文件（通常就是这种情况），如果这样做或不这样做，很快就会显而易见。不过我觉得这很不常见。猜测我无法想象超过1％的野生PDF会包含这种结构。
可以将这些XObject标记嵌入为引用而不是直接对象。但我认为你可以完全打折。合法的，这绝对是奇怪的。我认为你永远不会看到它。
正确的方法是扫描和解析PDF中的所有内容流。这就是我们在ABCpdf（我工作）中所做的事情，但它需要做更多的工作和更多的处理能力。大文档可能需要几秒钟。
想想99％的可靠性是否足够好。 ： - ）
答案 1 :(得分：0)
PDF中的图像是FormXObjects或使用BI-EI命令嵌入到内容中的嵌入图像。 因此，您必须解析页面的Resources字典并递归检查它的Xobjects以检查它们是否也包含图像（相同的Resources字典）。此外，您还必须解析所有内容流并检查嵌入的图像是否存在。附加图像可以在模式中定义 - ＆gt;如果你要实现自己的图像存在检查器，这是一种方法。首先阅读规范并估算时间费用.3d方可能最终没有那么昂贵。