apache - 如何检测文档中的图像

Question

如何检测文档中的图像，例如 doc、xls、ppt 或 pdf ？

我遇到了 Apache Tika，我正在尝试它的命令行选项。 http://tika.apache.org/1.2/gettingstarted.html

但不太确定它将如何检测图像。

任何帮助表示赞赏。

谢谢

Answer 1

你说过你想使用命令行解决方案，而不是编写任何 Java 代码，所以这不是最漂亮的方法......如果你愿意写一点 Java，并创建一个从 Python 调用的新程序，那么你可以做得更好！

首先要做的是让 Tika App 提取文件中的所有嵌入资源。使用此--extract选项，并在您应用控制的特殊临时目录中进行提取，例如

$ java -jar tika.jar --extract ../testWORD_embedded_pdf.doc
Extracting 'image1.emf' (application/x-emf)
Extracting '_1402837031.pdf' (application/pdf)

如果可以，请获取提取的输出，然后解析该输出以查找图像（但请注意，某些图像application/在其标准 mimetype 上具有前缀！）。您可能需要在几个上运行第二个 --detect 步骤，我不确定，测试解析器如何进行提取。

现在，如果有图像，它们将在您的测试目录中。根据需要处理它们。最后，当你完成文件时，zap 临时目录！

Answer 2

过去使用过 Tika，我看不出 Tika 如何帮助处理嵌入在 Office 文档或 PDF 中的图像 Tika 确实使用这两个库来解析文本和元数据，但不支持嵌入式图像。

使用 Tika 使这些 API 自动可用（使用 Tika 的副作用）。

更新： 从 Tika 0.8 开始：寻找EmbeddedResourceHandler和示例 - 感谢 Gagravarr。