如何使用pdfbox 2.0.0在扫描的文档中检测OCR？

Question

问题：我有一个很大的文件夹，里面有很多子文件夹，里面有很多pdf。 其中一些已经在上面带有OCR。 其中一些没有。 因此，我想编写一个Java程序来过滤掉非OCR PDF并将其复制到热文件夹中。

我测试了20个文档，它们的共同点是，如果使用编辑器打开它们，则可以找到单词“ font”和OCR，而在非OCR中找不到。 我现在的问题是：如何使用PDFbox 2.0.0实施此检查？ 我发现的所有解决方案似乎都不适用于旧版本。 而且我无法在文档中找到解决方案。 （这显然是我的错）

提前致谢。

Answer 1

这是查找字体是否在页面顶层的方法：

    PDDocument doc = PDDocument.load(new File(...));
    PDPage page = doc.getPage(0); // 0 based
    PDResources resources = page.getResources();
    for (COSName fontName : resources.getFontNames())
    {
        System.out.println(fontName.getName());
    }
    doc.close();

回复：mkl建议，以下是提取文本的方法：

    PDFTextStripper stripper = new PDFTextStripper();
    stripper.setStartPage(1); // 1 based
    stripper.setEndPage(1);
    String extractedText = stripper.getText(doc);
    System.out.println(extractedText);