如何检测pdf是文本搜索还是非文本搜索？

Question

我有一套pdf，从中我想处理（VB.NET）只有那些非文本搜索，你能告诉我该怎么做呢？

Answer 1

我认为这个选项可能是您的考虑因素，虽然我还没有测试代码，但我认为可以通过阅读您想要继续的每个PDF文件的属性来完成。

您可以检查此链接：

http://www.codeguru.com/columns/vb/manipulating-pdf-files-with-itextsharp-and-vb.net-2012.htm 

你必须阅读你继续后立即生产者性能。这仅仅是一个例子。但我的建议请在这里包括你的代码，所以我们可以尝试帮助你。祝福你

Answer 2

一般来说，做到这一点的方法是打开每个页面并翻录内容流，看看是否有任何文本操作符在页面上放置文本。

让我解释一下这是什么意思 - PDF内容是一种小RPN语言，它包含以某种方式标记页面的操作。例如，你可能会看到这样的事情：

BT 72 400 Td /F0 12 Tf (Throatwarbler Mangrove) Tj ET 

这意味着：

1. 开始文本区域
2. 在PDF单位
设置文本基线的位置（72，400）
3. 设置字体为从当前页面的字体资源字典
4. 名为F0资源绘制文本“Throatwarbler红树林”
5. 结束文本区域

所以，你可以尝试走捷径

1. 没有我的网页资源字典包含任何字体？

这在某些情况下会失败，因为某些PDF生成工具会将字体放入资源 字典中，并且不要使用它们（误报）。如果页面内容包含一个包含文本的Form XObject（false negative），它也会失败。

1. 我的网页的内容流有BT/ET opertors吗？

这会让你更接近，但如果它们中没有内容（误报）或者它们不存在，但会有一个包含文本的Form XObject（false negative），将会失败。

所以真的，要做的是执行整个页面的内容流，包括递归遍历所有的XObject以寻找文本操作符。

现在，您可以使用我的Atalasoft软件（免责声明，我为Atalasoft工作并编写了大多数PDF处理代码，我也在使用Acrobat 1-4版本）来采取另一种方法。不要问，这个页面是否包含任何文本，你可以问“这个页面是否只包含一个图像？“

bool allPagesImages = true; 
using (Document doc = new Document(inputStream)) 
{ 
    foreach (Page p in doc.Pages) 
    { 
     if (!p.SingleImageOnly) 
     { 
      allPagesImages = false; 
      break; 
     } 
    } 
} 

这将留下allPagesImages有一个相当不错的迹象表明，每个页面的所有图像，如果你正在寻找OCR这是不可搜索的文件，可能是你真正想要的。

不利的一面是，这将是一个单一的谓词非常高的价格，但它也让你PDF光栅化和能力，直接提取图像的文件。

现在，我毫不怀疑，一个固体工程师可以通过PDF规范工作，并编写一些代码来扩展iTextPdfSharp来完成这项任务我认为，如果我坐在d拥有它，我可能能够在几天内编写该谓词，但我已经了解了大多数PDF规范。所以它可能会让你更像两个星期到一个月。所以你的选择。