PDF文档语言检测

Question

有没有办法获得PDF文档文本语言？

实施例： 假设我的语言中有一些未知的PDF文档，是否有任何工具可以让我自动获取PDF文档语言和存储（或ECHO）语言名称的文件？

此致 Volodymyr

Answer 1

基本上没有。 PDF文件中没有任何内容可以保证告诉您语言，并且从文件中获取可能有帮助的内容肯定没有什么简单。

如果文件使用CIDfonts，那么关联的CMap 可能通过CIDSystemInfo中的Ordering键为您提供线索，但这通常只是'Identity'的变体。

如果字体（CID或常规）包含ToUnicode CMaps（许多都可以，但不是必需的话），那么您可以从Unicode值推断语言。

Answer 2

好的，我找到了一些有用的链接，这比没有更好： C＃示例：http://www.eggheadcafe.com/community/csharp/2/10351962/how-to-recogonise-that-data-written-in-pdf-or-doc--is-english-or-not.aspx

Java：http://www.slideshare.net/shuyo/language-detection-library-for-java

在线（网络）：http://whatlanguageisthis.com/

谢谢！

Answer 3

如果从PDF中提取文本，则可以使用Google Translate API v2检测语言。不过，这是付费的网络服务。