如何检测文档中的图像答案

【问题标题】：How to detect image in a document如何检测文档中的图像
【发布时间】：2012-08-13 10:45:31
【问题描述】：

如何检测文档中的图像，例如 doc、xls、ppt 或 pdf？

我遇到了 Apache Tika，我正在尝试它的命令行选项。 http://tika.apache.org/1.2/gettingstarted.html

但不太确定它将如何检测图像。

感谢任何帮助。

谢谢

【问题讨论】：

你想要一个纯粹的命令行解决方案，还是愿意写一些Java？
@Gagravarr 我想要命令行解决方案，因为我想在 Python 中使用 Tika。

标签： apache apache-tika

【解决方案1】：

你说过你想使用命令行解决方案，而不是编写任何 Java 代码，所以这不是最漂亮的方法......如果你愿意写一点 Java，并创建一个从 Python 调用的新程序，然后你可以做得更好！

首先要做的是让 Tika 应用程序提取文件中的所有嵌入资源。为此使用--extract 选项，并在您应用控制的特殊临时目录中进行提取，例如

$ java -jar tika.jar --extract ../testWORD_embedded_pdf.doc
Extracting 'image1.emf' (application/x-emf)
Extracting '_1402837031.pdf' (application/pdf)

如果可以，请获取提取的输出，并解析该输出以查找图像（但请注意，某些图像在其标准 mimetype 上具有 application/ 前缀！）。您可能需要对几个运行第二个 --detect 步骤，我不确定，测试解析器如何进行提取。

现在，如果有图像，它们将在您的测试目录中。根据需要处理它们。最后，当你完成文件时，zap 临时目录！

【讨论】：

谢谢老兄，很好。我可以只获取图像的信息吗？我不想将它们提取到目录中。可能吗？
是的，您可以这样做，但前提是您必须编写一些 Java 代码！如果你只想使用 Tika-App 命令行工具来做，那么以后提取和清理是唯一的方法
我想知道您是否可以发布使用 tika 库从文件中检测图像的链接或代码。
@MohamadGhafourian 这是一个完全不同的查询，因此您需要将其作为一个全新的问题提出

【解决方案2】：

过去使用过 Tika ~~我看不出 Tika 如何帮助处理 Office 文档或 PDF 中嵌入的图像~~我的回答是错误的，不。你会有可能仍会尝试解析为 Apache POI 和 Apache PDFBox 等原生 API。 Tika 确实使用这两个库来解析文本和元数据，但不支持嵌入式图像。

使用 Tika 使这些 API 自动可用（使用 Tika 的副作用）。

更新： 从 Tika 0.8 开始：查找 EmbeddedResourceHandler 和示例 - 感谢 Gagravarr。

【讨论】：

您能推荐除 Apache Tika 之外的任何其他工具吗？
这是不正确的，Tika 处理嵌入式资源就好了！
@Gagravarr - 感谢您纠正我 - 添加了指向相应 Tika 界面的链接。