java - 如何检测不同类型的 PDF

Question

PDF 文件扩展名可以通过魔术签名来验证：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的文档）

有没有办法做到这一点？

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，我认为这需要一些努力来实施。

我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。只需将文件提供给它，看看你是否能得到一些回报。

在任何情况下，都很难对包含图像和文本的 PDF 进行分类。