Jak znaleźć pustą stronę w pliku pdf

Question

Nie mogę wykryć pustej strony w pliku PDF. Szukałem internetu, ale nie mogłem znaleźć dobrego rozwiązania.

Używając Itextarp, próbowałem z rozmiarem strony, Xobjects. Ale nie podają dokładnego wyniku.

Próbowałem

if(xobjects==null || textcontent==null || size <20 bytes) 
    then "blank" 
else 
not blank 

Ale maksymalny czas powraca złą odpowiedź. Użyłem iTextSharp

Kod jest poniżej ... Używam iTextSharp Librabry

Dla xobjects

PdfDictionary xobjects = resourceDic.GetAsDict(PdfName.XOBJECT); 
//here resourceDic is PdfDictionary type 
//I know that if Xobjects is null then page is blank. But sometimes blank page gives xobjects which is not null. 

Dla contentstream

RandomAccessFileOrArray f = reader.SafeFile; 
//here reader = new PdfReader(filename); 

byte[] contentBytes = reader.GetPageContent(pageNum, f); 
//I have measured the size of contentbytes but sometimes it gives more than 20 bytes for blank page 

Dla textContent

String extractedText = PdfTextExtractor.GetTextFromPage(reader, pageNum, new LocationTextExtractionStrategy()); 
    // sometimes blank page give a text more than 20 char length . 

Answer 1

Podejrzewam wypróbowaniu .Trim() na struny, więc nie będę sugerować, że na jego własne.

Jaka jest rzeczywista zawartość ciągów o długości powyżej 20+ w pustym miejscu? Podejrzewam, że to tylko znaki nowego wiersza (jak to, co się dzieje, gdy ludzie naciśnij wprowadzić 10+ razy, aby dostać nową stronę zamiast wstawiania page-break), w którym to przypadku:

String extractedText = 
    string.Replace(string.Replace(
     PdfTextExtractor.GetTextFromPage(reader, pageNum, new LocationTextExtractionStrategy()) 
    , Environment.NewLine, ""), "\n", "").Trim(); 

Daj nam znać jaka jest zawartość wyjściowa po tym.

Inną możliwością jest to, że jest to pusty tekst z niepodzielonymi przerwami i innymi znakami, które w rzeczywistości nie są spacjami. Będziesz musiał je znaleźć i zastąpić ręcznie. W tym momencie sugerowałbym, że faktycznie używasz dopasowanie do wyrażenia regularnego dla [0-9, az, AZ] i użyj go do ustalenia, czy twoja strona jest pusta, czy nie.

Answer 2

Bardzo prosty sposób na odkrycie pustych stron jest następujący: użyj komendy Ghostscript, która wywołuje urządzenie bbox.

bbox Ghostscript za oblicza współrzędne tego minimalnego prostokąta „Obwiednia” który otacza wszystkie punkty strony, na której piksel będzie renderowane:

gs \ 
    -o /dev/null \ 
    -sDEVICE=bbox \ 
    input.pdf 

na oknach:

gswin32c.exe^
    -o nul^
    -sDEVICE=bbox^
    input.pdf 

Wynik:

GPL Ghostscript 9.05 (2012-02-08) 
Copyright (C) 2010 Artifex Software, Inc. All rights reserved. 
This software comes with NO WARRANTY: see the file PUBLIC for details. 
Processing pages 1 through 6. 
Page 1 
%%BoundingBox: 27 281 548 804 
%%HiResBoundingBox: 27.000000 281.000000 547.332031 804.000000 
Page 2 
%%BoundingBox: 0 0 0 0 
%%HiResBoundingBox: 0.000000 0.000000 0.000000 0.000000 
Page 3 
%%BoundingBox: 27 302 568 814 
%%HiResBoundingBox: 27.949219 302.000000 567.332031 814.000000 
Page 4 
%%BoundingBox: 27 302 568 814 
%%HiResBoundingBox: 27.949219 302.000000 567.332031 814.000000 
Page 5 
%%BoundingBox: 27 302 568 814 
%%HiResBoundingBox: 27.949219 302.000000 567.332031 814.000000 
Page 6 
%%BoundingBox: 27 302 568 814 
%%HiResBoundingBox: 27.949219 302.000000 567.332031 814.000000 

Jak widać, strona 2 mojego dokumentu wejściowego była pusta.

Answer 3

Istnieje biblioteka otoki dla C# i VB.NET z mupdf c++ library. Można go użyć do konwersji na strony na bmp (w różnych formatach tif, jpg, png) i sprawdzić rozmiar bitmapy.

Należy sprawdzić, jaki jest minimalny rozmiar z minimalnymi znakami strony, którą należy uznać za pustą.