如何檢測pdf是文本搜索還是非文本搜索？

Question

我有一套pdf，從中我想處理（VB.NET）只有那些非文本搜索，你能告訴我該怎麼做呢？

Answer 1

我認爲這個選項可能是您的考慮因素，雖然我還沒有測試代碼，但我認爲可以通過閱讀您想要繼續的每個PDF文件的屬性來完成。

您可以檢查此鏈接：

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

你必須閱讀你繼續後立即生產者性能。這僅僅是一個例子。但我的建議請在這裏包括你的代碼，所以我們可以嘗試幫助你。祝福你

Answer 2

一般來說，做到這一點的方法是打開每個頁面並翻錄內容流，看看是否有任何文本操作符在頁面上放置文本。

讓我解釋一下這是什麼意思 - PDF內容是一種小RPN語言，它包含以某種方式標記頁面的操作。例如，你可能會看到這樣的事情：

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

這意味着：

1. 開始文本區域
2. 在PDF單位
設置文本基線的位置（72，400）
3. 設置字體爲從當前頁面的字體資源字典
4. 名爲F0資源繪製文本「Throatwarbler紅樹林」
5. 結束文本區域

所以，你可以嘗試走捷徑

1. 沒有我的網頁資源字典包含任何字體？

這在某些情況下會失敗，因爲某些PDF生成工具會將字體放入資源 字典中，並且不要使用它們（誤報）。如果頁面內容包含一個包含文本的Form XObject（false negative），它也會失敗。

1. 我的網頁的內容流有BT/ET opertors嗎？

這會讓你更接近，但如果它們中沒有內容（誤報）或者它們不存在，但會有一個包含文本的Form XObject（false negative），將會失敗。

所以真的，要做的是執行整個頁面的內容流，包括遞歸遍歷所有的XObject以尋找文本操作符。

現在，您可以使用我的Atalasoft軟件（免責聲明，我爲Atalasoft工作並編寫了大多數PDF處理代碼，我也在使用Acrobat 1-4版本）來採取另一種方法。不要問，這個頁面是否包含任何文本，你可以問「這個頁面是否只包含一個圖像？「

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

這將留下allPagesImages有一個相當不錯的跡象表明，每個頁面的所有圖像，如果你正在尋找OCR這是不可搜索的文件，可能是你真正想要的。

不利的一面是，這將是一個單一的謂詞非常高的價格，但它也讓你PDF光柵化和能力，直接提取圖像的文件。

現在，我毫不懷疑，一個固體工程師可以通過PDF規範工作，並編寫一些代碼來擴展iTextPdfSharp來完成這項任務我認爲，如果我坐在d擁有它，我可能能夠在幾天內編寫該謂詞，但我已經瞭解了大多數PDF規範。所以它可能會讓你更像兩個星期到一個月。所以你的選擇。