Я использую PdfBox в Java для извлечения текста из файлов PDF. Некоторые из представленных входных файлов недействительны, и PDFTextStripper останавливается на этих файлах. Есть ли чистый способ проверить, действительно ли предоставленный файл действительно является PDF?
Как определить, является ли файл файлом PDF?
Ответ 1
вы можете узнать тип mime файла (или массив байтов), чтобы вы не полагались на расширение. Я делаю это с апертурой MimeExtractor (http://aperture.sourceforge.net/), или я видел несколько дней назад библиотеку только для этого (http://sourceforge.net/projects/mime-util)
Я использую диафрагму для извлечения текста из множества файлов, а не только для pdf, но, например, для того, чтобы подгонять мысли для pdf файлов (апертура использует pdfbox, но я добавил другую библиотеку в качестве резервной копии при отказе pdfbox)
Ответ 2
Вот что я использую в своих тестах NUnit, которые должны проверять несколько версий PDF, сгенерированных с помощью Crystal Reports:
public static void CheckIsPDF(byte[] data)
{
Assert.IsNotNull(data);
Assert.Greater(data.Length,4);
// header
Assert.AreEqual(data[0],0x25); // %
Assert.AreEqual(data[1],0x50); // P
Assert.AreEqual(data[2],0x44); // D
Assert.AreEqual(data[3],0x46); // F
Assert.AreEqual(data[4],0x2D); // -
if(data[5]==0x31 && data[6]==0x2E && data[7]==0x33) // version is 1.3 ?
{
// file terminator
Assert.AreEqual(data[data.Length-7],0x25); // %
Assert.AreEqual(data[data.Length-6],0x25); // %
Assert.AreEqual(data[data.Length-5],0x45); // E
Assert.AreEqual(data[data.Length-4],0x4F); // O
Assert.AreEqual(data[data.Length-3],0x46); // F
Assert.AreEqual(data[data.Length-2],0x20); // SPACE
Assert.AreEqual(data[data.Length-1],0x0A); // EOL
return;
}
if(data[5]==0x31 && data[6]==0x2E && data[7]==0x34) // version is 1.4 ?
{
// file terminator
Assert.AreEqual(data[data.Length-6],0x25); // %
Assert.AreEqual(data[data.Length-5],0x25); // %
Assert.AreEqual(data[data.Length-4],0x45); // E
Assert.AreEqual(data[data.Length-3],0x4F); // O
Assert.AreEqual(data[data.Length-2],0x46); // F
Assert.AreEqual(data[data.Length-1],0x0A); // EOL
return;
}
Assert.Fail("Unsupported file format");
}
Ответ 3
Вы должны попробовать это....
public boolean isPDF(File file){
file = new File("Demo.pdf");
Scanner input = new Scanner(new FileReader(file));
while (input.hasNextLine()) {
final String checkline = input.nextLine();
if(checkline.contains("%PDF-")) {
// a match!
return true;
}
}
return false;
}
Ответ 4
Здесь адаптированная версия Java кода NinjaCross.
/**
* Test if the data in the given byte array represents a PDF file.
*/
public static boolean is_pdf(byte[] data) {
if (data != null && data.length > 4 &&
data[0] == 0x25 && // %
data[1] == 0x50 && // P
data[2] == 0x44 && // D
data[3] == 0x46 && // F
data[4] == 0x2D) { // -
// version 1.3 file terminator
if (data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x33 &&
data[data.length - 7] == 0x25 && // %
data[data.length - 6] == 0x25 && // %
data[data.length - 5] == 0x45 && // E
data[data.length - 4] == 0x4F && // O
data[data.length - 3] == 0x46 && // F
data[data.length - 2] == 0x20 && // SPACE
data[data.length - 1] == 0x0A) { // EOL
return true;
}
// version 1.3 file terminator
if (data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x34 &&
data[data.length - 6] == 0x25 && // %
data[data.length - 5] == 0x25 && // %
data[data.length - 4] == 0x45 && // E
data[data.length - 3] == 0x4F && // O
data[data.length - 2] == 0x46 && // F
data[data.length - 1] == 0x0A) { // EOL
return true;
}
}
return false;
}
И некоторые простые модульные тесты:
@Test
public void test_valid_pdf_1_3_data_is_pdf() {
assertTrue(is_pdf("%PDF-1.3 CONTENT %%EOF \n".getBytes()));
}
@Test
public void test_valid_pdf_1_4_data_is_pdf() {
assertTrue(is_pdf("%PDF-1.4 CONTENT %%EOF\n".getBytes()));
}
@Test
public void test_invalid_data_is_not_pdf() {
assertFalse(is_pdf("Hello World".getBytes()));
}
Если вы придумаете какие-либо отказоустойчивые модульные тесты, сообщите мне.
Ответ 5
Файлы Pdf начинаются с "% PDF" (откройте один в TextPad или аналогичный и посмотрите)
По какой-либо причине вы не можете просто прочитать файл с помощью StringReader и проверить это?
Ответ 6
Поскольку вы используете PDFBox, вы можете просто сделать:
PDDocument.load(file);
Это приведет к ошибке с исключением, если PDF поврежден и т.д.
Если это удается, вы также можете проверить, зашифрован ли PDF с помощью .isEncrypted()
Ответ 7
Возможно, я слишком поздно, чтобы ответить. Но вы должны взглянуть на Тику. Он использует PDFBox Parser внутри для анализа PDF
Вам просто нужно импортировать tika-app-latest *.jar
public String parseToStringExample() throws IOException, SAXException, TikaException
{
Tika tika = new Tika();
try (InputStream stream = ParsingExample.class.getResourceAsStream("test.pdf")) {
return tika.parseToString(stream); // This should return you the pdf text
}
}
Это было бы намного более чистое решение. Вы можете обратиться сюда для получения более подробной информации об использовании Тики: https://tika.apache.org/1.12/api/
Ответ 8
Я использовал некоторые предложения, которые я нашел здесь, и на других сайтах/сообщениях для определения того, был ли PDF действителен или нет. Я намеренно исказил файл PDF, и, к сожалению, многие из этих решений не обнаружили, что файл поврежден.
В конце концов, после использования разных API-интерфейсов, я пробовал это:
PDDocument.load(file).getPage(0).getContents().toString();
Это не выдавало исключение, но оно выводило это:
WARN [COSParser:1154] The end of the stream doesn't point to the correct offset, using workaround to read the stream, stream start position: 171, length: 1145844, expected end position: 1146015
Лично я хотел, чтобы было исключено исключение, если файл был поврежден, поэтому я мог справиться с этим сам, но оказалось, что API, который я реализовал, уже обрабатывал их по-своему.
Чтобы обойти это, я решил попробовать разбор файлов с помощью класса, который дал теплый оператор (COSParser). Я обнаружил, что существует подкласс под названием PDFParser, который унаследовал метод "setLenient", который был ключом (https://pdfbox.apache.org/docs/2.0.4/javadocs/org/apache/pdfbox/pdfparser/COSParser.html).
Затем я реализовал следующее:
RandomAccessFile accessFile = new RandomAccessFile(file, "r");
PDFParser parser = new PDFParser(accessFile);
parser.setLenient(false);
parser.parse();
Это бросило исключение для моего поврежденного файла, как я и хотел. Надеюсь, это поможет кому-то!
Ответ 9
Ответ Роджера Кейса неверен! поскольку не все файлы PDF в версии 1.3 и не все завершены EOL. Ответ ниже работает для всех не поврежденных файлов pdf:
public static boolean is_pdf(byte[] data) {
if (data != null && data.length > 4
&& data[0] == 0x25 && // %
data[1] == 0x50 && // P
data[2] == 0x44 && // D
data[3] == 0x46 && // F
data[4] == 0x2D) { // -
// version 1.3 file terminator
if (//data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x33 &&
data[data.length - 7] == 0x25 && // %
data[data.length - 6] == 0x25 && // %
data[data.length - 5] == 0x45 && // E
data[data.length - 4] == 0x4F && // O
data[data.length - 3] == 0x46 && // F
data[data.length - 2] == 0x20 // SPACE
//&& data[data.length - 1] == 0x0A// EOL
) {
return true;
}
// version 1.3 file terminator
if (//data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x34 &&
data[data.length - 6] == 0x25 && // %
data[data.length - 5] == 0x25 && // %
data[data.length - 4] == 0x45 && // E
data[data.length - 3] == 0x4F && // O
data[data.length - 2] == 0x46 // F
//&& data[data.length - 1] == 0x0A // EOL
) {
return true;
}
}
return false;
}
Ответ 10
В общем, нам может понравиться, что любая версия PDF будет заканчиваться с %% EOF, чтобы мы могли проверить, как ниже.
public static boolean is_pdf(byte[] data) {
String s = new String(data);
String d = s.substring(data.length - 7, data.length - 1);
if (data != null && data.length > 4 &&
data[0] == 0x25 && // %
data[1] == 0x50 && // P
data[2] == 0x44 && // D
data[3] == 0x46 && // F
data[4] == 0x2D) { // -
if(d.contains("%%EOF")){
return true;
}
}
return false;
}
Ответ 11
Существует очень удобная и простая библиотека для тестирования содержимого PDF: https://github.com/codeborne/pdf-test
API очень прост:
import com.codeborne.pdftest.PDF;
import static com.codeborne.pdftest.PDF.*;
import static org.junit.Assert.assertThat;
public class PDFContainsTextTest {
@Test
public void canAssertThatPdfContainsText() {
PDF pdf = new PDF(new File("src/test/resources/50quickideas.pdf"));
assertThat(pdf, containsText("50 Quick Ideas to Improve your User Stories"));
}
}