如何使用Tika解析器/ Java检测pdf是否是扫描文档

Question

我正在尝试从pdf文件中提取文本。但在某些情况下，pdf文件是硬文件的扫描副本。

有没有办法可以找到给定的pdf是扫描的文件副本还是普通的pdf文件。

Answer 1

Check if a PDF file is a scanned one的可能重复？

无论如何 - 在尝试内容提取之前，Tika的最新版本可以选择使用Tesseract to OCR图像 - 如果您正在使用它并想知道Tika如何解析文档，您可以检查元数据：PDFParser添加{除了通常的org.apache.tika.parser.ocr.TesseractOCRParser之外，{1}}还有X-Parsed-By元数据键。

如果您在运行Tika之前尝试决定是否运行自己的OCR处理，则可能需要预处理PDF（例如pdfimages /其他一些命令行工具或基于PDFBox的解决方案）以确定是否仅包含整页图像（或覆盖页面的较小图像），没有文本操作符，然后可能尝试对它们进行分类以确定它们是否需要OCRing。