Как программно проверить, что файл PDF первого поколения?

Question

Я работаю над проектом, который включает набор унифицированных данных Fannie Mae / Freddie Mac. Спецификация требует, чтобы внедренный PDF-файл оценки был первого поколения.

Я концептуально понимаю, что такое файл PDF первого поколения (печать документа непосредственно в PDF, а не отсканированная копия или распечатанная и отсканированная копия). Однако я провел некоторое исследование и не нашел ничего, что определяло бы свойства PDF первого поколения, которые могли бы быть проверены программно.

Я нашел продукт, который позволяет проверить, содержит ли PDF текст, изображения или оба: Apose.Pdf.Kit для .NET , но я ищу способ запрограммировать это сам , по бюджетным и другим причинам. Кроме того, я не уверен, что определения того, что файл содержит текст, будет достаточно, чтобы убедиться, что это первое поколение.

Учитывая, что это отраслевое требование очень большой отрасли, я чувствую, что кто-то, должно быть, уже решил эту проблему, но мне трудно что-то найти.

Заранее спасибо за любую помощь.

Answer 1

Не существует способа узнать наверняка, является ли PDF «первым поколением».Технически, отсканированный PDF - это просто PDF, содержащий изображения и, возможно, текст OCR.PDF «первого поколения» может легко иметь те же характеристики, поэтому вам придется использовать некоторые эвристические методы.

Например, PDF, который содержит только изображения и невидимый текст (из OCR), вероятно, будет отсканирован,PDF с видимым текстом или векторной графикой, вероятно, относится к «первому поколению» (OCR для отсканированных PDF-файлов работает путем наложения невидимого текста поверх исходного изображения, так что выбор текста работает, но точность исходного документа сохраняется).

Answer 2

Открыть pdf, Ctrl "F" типа в оценке. Если у вас есть хит на слово, у вас есть первое поколение apprsl. Скорее, набор данных существует.