可搜索的PDF文件（图像+文本PDF）验证

Question

我正在检查PDF文档是否可搜索，如果我可以从PDF中的每个页面获取任何文本。

但是，当我试图从包含超过500〜2000页的PDF中提取文本时，检查每个页面似乎需要永久。

PDF可能包含一页文本而不包含其他文本？ 我想在这里做的是，如果一个第一页PDF的包含文本，那么它是不是还有一个可搜索的PDF ..

Answer 1

试试这个版本的Searcharoo，它可以让你搜索Word和PDF文档。

Answer 2

是的，PDF很有可能在一个页面上包含文本，但其余的不是。你可能会有一个500页的PDF，其中包含前499页的图像，但在最后一页包含文本。

除非您想自己打开PDF文件并对其进行扫描以进行文本/文本操作，否则您需要使用现有的第三方PDF库，以便从PDF中提取文本。

此外，请参阅Ferruccio对相关question的回复，该文件将使用IFilter接口，专门用于搜索索引和文本提取。