Java 如何检测不同类型的PDF

PDF文件扩展名可以通过魔法签名验证：

25504446

但是，我想检测PDF是否包含文本或图像（即，PDF是否包含可使用ctrl+f搜索的文本，或者是否包含扫描的文档）

---

有没有办法做到这一点？

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。我想这需要付出巨大的努力才能实现

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

我所知道的最简单的方法是使用一个可以为您提取纯文本的包。Apache TIKA可以做到这一点。只要把文件给它，看看你能不能得到些什么

---

无论如何，很难对同时包含图像和文本的PDF进行分类。

iText、PDFBox和其他Java PDF库也提供了从PDF文件中提取文本或图像的功能。使用其中之一的能力，并在考虑没有OCR扫描的PDF（例如，页面上不超过50个非空白字符，但至少有50%的页面覆盖图像）时找到一些标准。这似乎是一个很好的技术。我试试看