有没有可靠的方法来确定是否从Powerpoint文件生成PDF？

Question

就像标题所说的那样。我问的原因是我们将PDF转换为格式化的ASCII文本（使用pdftotext），并且只想显示看起来合理的文本。

PPT文件往往有文字覆盖图像，对角文本和其他不能很好地转换为ASCII的内容，所以如果可以的话，我们希望将它们过滤掉。

Answer 1

PDF的创建应用程序列在其XMP元数据中。您可以在Acrobat 9中轻松地看到这一点（我之前相信）：转到 File＆gt;属性，单击 Additional Metadata ... ，然后转到 Advanced ，它列在 XMP核心属性和下PDF属性：

xmp:CreatorTool: Microsoft PowerPoint
pdf:Creator: Microsoft PowerPoint

我猜你想以编程方式找到它，所以你需要找一个库来读取这个与你的语言一致的元数据。 此处是一些XMP工具的列表。

Answer 2

简短回答：

不，我不这么认为。

答案很长：

不，我不这么认为，因为有可能将PowerPoint文件转换为pdf，例如Adobe Acrobat和PDFCreator以及许多其他文件。由转换器在PDF文件中嵌入特定信息，即使您找到了从一个转换器中检测PowerPoint-source pdf的方法，同样的方法也可能不适用于另一个转换器。

更长的回答：

不，我不这么认为，因为“长答案”中描述的原因。我不认为检测PDF的来源是解决您要解决的问题的最佳方法。不只是PowerPoint产生重叠的文本和图像。我认为检测PDF文件的实际布局要好得多。如果有图像和文本的叠加，那么您可以进行一些过滤或预处理以满足该要求。

Answer 3

您的推理非常随意 - 肯定有很多PPT文件没有您描述的功能，以及大量PDF文件带有它们是从其他来源生成的

理论上，更好的方法是检测这些“不需要的”何时。情况发生。然而，即使PDF格式部分开放（显然只是为了阅读，所以它不是真正的开放格式），提取这样的复杂数据将非常困难。

Answer 4

无论来源如何，所有PDF都可能出现此问题。大多数桌面出版套件都能够输出PDF，并且经常以超高质量和更华丽的PDF演示文稿出售......

“saner”方法是使用PDF解析器，ITextSharp或pdfNet ...等，使用您选择的库，找到所有图像矩形，以及所有文本矩形，排序矩形，然后查看文本是否存在大量重叠图像rects - 忽略图像到图像的重叠。如果是，请拒绝页面和/或文档。

这不会是完美的，但至少它会捕获许多不理智的PDF，无论来源如何。要添加的其他启发式方法包括颜色分析。 （即重叠区域中的颜色是否足够不同以允许“理智”结果？）

祝你好运

Answer 5

它可能会将其名称放在创建者或制作人信息中，但我没有副本来检查这个理论。

Answer 6

通常，以编程方式确定（可靠）文件的来源或基于其内容如何生成文件并非易事。毕竟，文件只是一个比特集合。

除非您有大量资源用于构建启发式方法以确定文件是否看起来“合理地理智”。根据你的需要，我认为这是人类的任务。

Answer 7

从ppt到pdf的某些转换器会在pdf开头的注释中保留创建者。

Answer 8

我认为从大多数应用程序生成的PDF看起来都是一样的。 可能有一些可以从文件中读取的元数据......