apache - 如何检测文档中的图像

Question

如何检测文档(如 doc、xls、ppt 或 pdf)中的图像？

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。

感谢任何帮助。

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，所以这不是最好的方法......如果你愿意写一点 Java，并创建一个从 Python 调用的新程序，然后你可以做得更好!

首先要做的是让 Tika 应用程序提取文件中的任何嵌入资源。为此使用 --extract 选项，并在应用程序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)

如果可以的话，获取提取的输出，并解析它以寻找图像(但请注意，某些图像在其规范的 mime 类型上具有 application/ 前缀!)。您可能需要对一些运行第二个 --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，当你完成文件后，删除临时目录!