Java 确定PDF页面是包含文本还是纯图片

如何使用Java确定PDF页面是包含文本还是纯图片

我搜索了很多论坛和网站，但我还没有找到答案

是否可以从PDF中提取文本，以了解页面的格式是图片还是文本

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));  
        }

PdfReader reader=新的PdfReader（INPUTFILE）；
PrintWriter out=新的PrintWriter（新文件输出流（输出文件））；
对于（inti=1；i，没有防水的方法来做你想做的事

文本可以在PDF文件中以不同的方式显示。例如：可以使用图形状态运算符而不是文本状态来绘制所有图示符。（如果这听起来像中文，我很抱歉，但我可以向您保证这是正确的PDF语言。）

如果一个特别的解决方案涵盖了最常见的情况，并且偶尔会遗漏一个外来的PDF，那么您已经有了一个很好的第一个解决方案

在您的代码中，您在所有页面上循环，并询问iText页面上是否有任何文本。这已经是一个很好的指示

在内部，您的代码正在使用
RenderListener
接口。iText解析页面内容并触发特定
RenderListener
实现中的方法。这是一个自定义实现的实现：。示例中使用了此自定义实现

还有一个
renderImage（）
方法（例如，请参见）。如果触发此方法，您可以100%确定页面中还有图像，并且可以使用
ImageRenderInfo
对象获取图像的位置、宽度和高度（也就是说：如果您知道如何解释
getImageCTM（）
方法返回的
Matrix
）

使用所有这些元素，您已经可以实现所需的目标，但请注意，总会有一些奇异的PDF可以逃避您的检查。
使用PDFBox 2.x，您可以尝试以下方法：

private boolean hasText（PDDocument doc）抛出IOException{
PDFTextStripper剥离器=新的PDFTextStripper（）；
返回剥离器.getText（doc）.trim（）.length（）！=0；
}

不幸的是，它会先扫描整个文件，并不会在第一个文本块处停止。但如果需要，您可以接收整个文本。
这似乎非常复杂。也许您需要一笔赏金。谢谢您，阿德尔先生，我希望如此：）非常感谢Mr@Bruno洛瓦吉