Petite expérimentation de détection des PDFs issus de scanner
Ce programme illustre une méthode pour détecter les PDFs issus de scanner par opposition à ceux créés directement de façon numérique.
Il inclut également une expérimentation pour extraire directement le flux image dans le cas des PDFs issus de scanner.
Ce programme est écrit en Java et utilise la librairie Apache PDFBox
Little experiment to detect scanned vs native pdfs
This program is used to illustrate a way of detecting scanned PDFs as opposed to native ones.
It also includes an experiment on the direct extraction of the image stream in thecase of scanned PDFs.
It's written in Java using the Apache PDFBox library.
- Clone files and cd to directory:
git clone https://github.com/tledoux/scannedPdf.git && cd scannedPdf - Build the project:
mvn clean install - Execute the program
cd target; java -jar scannedPdf-1.1.jar <YOUR_DIR_WITH_PDFS> ; cd .. - To extract images from a PDF
cd target; java -cp scannedPdf-1.1.jar -Djava.util.logging.config.file=../logging.properties fr.bnf.toolslab.ExtractImageApp -dest <DESTINATION_DIRECTORY> <PDF_FILE_TO_EXTRACT>; cd ..