PDF文档语言检测

Question

有没有办法获取PDF文档文本语言？

示例： 假设我有一些我不知道的语言的 PDF 文档，是否有任何工具可以让我有机会自动获取 PDF 文档语言并在文件中存储（或 ECHO）语言名称？

问候， 弗拉基米尔

Answer 1

基本上没有。 PDF 文件中没有任何内容可以保证告诉您该语言，并且从该文件中当然也没有任何可以简单获取可能有帮助的内容。

如果文件使用 CIDfonts，则关联的 CMap 可能会通过 CIDSystemInfo 中的排序键为您提供线索，但这通常只是“身份”的变体。

如果字体（CID 或常规）包含 ToUnicode CMap（很多都包含，但这不是必需的），那么您也许能够从 Unicode 值推断语言。

Answer 2

好吧，我发现了一些有用的链接，这总比没有好： C# 示例：http://www.eggheadcafe.com/community/csharp/2/10351962/how-to-recogonise-that-data-writing-in-pdf-or-doc--is-english-or-not .aspx

Java：http://www.slideshare.net/shuyo/language-detection-library-for-java

在线（Web）：http://whatlanguageisthis.com/

谢谢！

Answer 3

如果您从 PDF 中提取文本，则可以使用 Google Translate API v2 来检测语言。不过，这是一项付费网络服务。

Answer 4

izfr] LVkj gsYFk vykbZM ba';qjsal dafy- }kjk% 'kk[kk izca/kd egksn;] czkap vkWfQl& I ] 207] 'kkyhekj dkikZsjsV IsaVj] 8&ch] IkmFk rqdksxat] 银行Sj e- iz- 452001