java - 确定 PDF 页面是包含文本还是纯图片

Question

Java如何判断一个PDF页面是包含文字还是纯图片？

我搜索了很多论坛和网站，但我找不到答案。

能否从PDF中提取文本，判断页面是图片格式还是文本格式？

PdfReader reader = new PdfReader(INPUTFILE);  
        PrintWriter out = new PrintWriter(new FileOutputStream(OUTPUTFILE));              
        for (int i = 1; i <= reader.getNumberOfPages(); i++) { 
         // here I want to test the structure of the page !!!! if it's possible                         
         out.println(PdfTextExtractor.getTextFromPage(reader, i));  
        }

Answer 1

没有防水的方法可以做你想做的。

文本在 PDF 文件中可以以不同的方式出现。例如:可以使用图形状态运算符而不是使用文本状态来绘制所有字形。 (如果您觉得这听起来像中文，我很抱歉，但我可以向您保证这是正确的 PDF 语言。)

如果一个涵盖最常见情况并且偶尔会遗漏异国情调 PDF 的临时解决方案对您来说没问题，那么您已经有了一个很好的第一个解决方法。

在您的代码中，您遍历所有页面，并询问 iText 页面上是否有任何文本。这已经是一个很好的迹象。

在内部，您的代码正在使用 RenderListener 接口(interface)。 iText 解析页面内容并触发特定 RenderListener 实现中的方法。这是自定义实现的实现:MyTextRenderListener .此自定义实现用于 ParsingHelloWorld示例。

还有一个 renderImage() 方法(例如参见 MyImageListener )。如果触发了这个方法，你可以100%确定页面中还有一个Image，你可以使用ImageRenderInfo对象来获取图片的位置、宽度和高度(即: 如果您知道如何解释 getImageCTM() 方法返回的 Matrix。

使用所有这些元素，您已经可以很长一段时间来实现您的需求，但请注意，总会有奇特的 PDF 可以逃过您的所有检查。