PDF 文件和 JavaScript：如何检查 PDF 是原生的还是扫描的 [关闭]

Question

我正在使用 JavaScript / HTML / CSS 开发前端应用程序。 此应用程序允许用户上传 PDF 文件。我正在寻找一种方法，使用 JavaScript 来区分 pdf 文件是本机还是扫描。

原生 PDF 是“天生数字化”的文档的 PDF，因为 PDF 是从文档的电子版本而不是印刷版创建的。

相比之下，扫描的 PDF 是打印文档的 PDF，例如当您从打印日志中扫描页面然后将此文件另存为 PDF 时。请仅提交原生 PDF。

对于本机 pdf，我不想允许上传，而在另一种情况下，我想允许上传。 我找到了这个 JavaScript 库：https://pdfjs.express/ 也许这就是我需要的，但我不知道从哪里开始。 在 stackoverflow 我发现了一些关于它的东西，但没有关于 JavaScript 代码。

Answer 1

“原生 PDF”几乎总是包含 /Font 对象。

“扫描的 PDF”可能不会。

这应该适用于绝大多数情况：

fetch(url)
  .then(response => response.blob())
  .then(data => data.text())
  .then(data => {
    if (/\/Font/.test(data)) {
      console.log('Probably native');
    } else {
      console.log('Probably scanned');
    }
  })

回应您的 cmets：

为了更准确，需要解析整个文件，因为 PDF 对象通常是 LZW 压缩的，所以这很重要。 Reference。此外，PDF 有时可能会混合扫描文本和常规文本。所以没有办法做到 100% 准确。

JavaScript 访问本地文件会带来安全风险。如果您正在运行服务器，用户可以上传他们的文件，服务器可以使用 Node.js 对其进行解析。