PDF文件和JavaScript:如何检查PDF是原生的还是扫描的

Question

我正在使用JavaScript / HTML / CSS开发一个前端应用程序。此应用程序允许用户上传PDF文件。我正在寻找一种方法，使用使用JavaScript，来区分一个pdf文件是原生还是扫描。

本机PDF是指“与生俱来的数字”文档的PDF，因为该PDF是从文档的电子版本而不是从打印创建的。

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，然后将此文件保存为PDF时。请只提交本地PDF。

在原生pdf的情况下，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/，也许这是我所需要的，但我不知道从哪里开始。在堆栈溢出中，我找到了一些关于它的东西，但是没有找到关于JavaScript代码的内容。

Answer 1

“本机PDF”几乎总是包含一个/Font对象。

“扫描PDF”可能不会。

在绝大多数情况下，这应适用于：

​

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');
    }
  })

​

针对你的评论：

要使这更准确，需要解析整个文件，这并不简单，因为PDF对象通常是LZW压缩的。参考文献。此外，PDF有时会有扫描文本和常规文本的混合。因此，没有办法使这100%的准确性。

JavaScript访问本地文件将面临安全风险。如果您正在运行一个服务器，用户可以上传他们的文件，服务器可以使用Node.js解析它。