如何以编程方式（在java中）识别pdf是正常（可搜索）还是扫描（图像）？

我正在使用docparser进行PDF到Excel的转换。 但是docparser无法正确处理扫描的PDF。因此我需要将扫描的PDF与普通PDF分开，只想通过docparser（即API调用）处理普通PDF。 是否有一些方法可以通过编程方式识别pdf类型（扫描或正常）以便我进一步工作？

---

如果有人知道如何解决这个问题，请提供帮助。…

最后，我找到了我问题的解决方案。但不是一个标准的解决方案（我想是的）。感谢发表评论并提供帮助的人

使用Pdfbox库我们可以提取扫描的pdf页面，并将每个页面与图像对象（PDImageXObject）的实例进行比较，如果它实现，页面将被计算为图像，我们可以计算这些图像。如果图像等于pdf中的页面数。我们会说它是一个扫描的pdf

这是代码

public static String testPdf(String filename) throws IOException
{
    String s = "";
    int g = 0;
    int gg = 0;
          PDDocument doc = PDDocument.load(new File(filename));

          gg = doc.getNumberOfPages();
          for(PDPage page:doc.getPages())
          {
              PDResources resource = page.getResources();
              for(COSName xObjectName:resource.getXObjectNames())
                {
                    PDXObject xObject = resource.getXObject(xObjectName);
                    if (xObject instanceof PDImageXObject)
                    {
                        ((PDImageXObject) xObject).getImage();
                        g++;
                    }


          }

          }
          doc.close();
         if(g==gg)  // pdf pages if equal to the images
         {
             return "Scanned pdf";
         }
         else
         {
             return "Searchable pdf";
         }



}

---

据我所知，在PDF级别上，“正常”和“扫描”PDF之间没有区别。。所以，你必须试探性地去做。例如，如果所有页面都包含一个90%以上纸张大小的图像，那么很有可能它是一个扫描的PDF。一些扫描的PDF在其元数据中有一个扫描仪品牌标签，因此您可以通过它来识别它们。但是，如果扫描仪不添加或修改创建的pdf的元数据，我想这将很难识别。感谢各位给出答案，但当我使用Tablea-pdf到Excel工具并上载扫描的pdf时，它会显示一个弹出窗口，其中显示“上载的文件是扫描图像，可能不会给出正确的结果…”.所以我认为肯定存在某种方法来识别扫描的PDF…”“所以我认为肯定存在某种方法来识别扫描的PDF”-正如@xs0所指出的，您必须使用启发式。例如，只有图像内容但没有文本的页面…我们只提供了两种方法：-）此外，如果您有OCR可用，您可以将其分数视为另一个信号。您能描述一下您面临的问题吗？