如何提取PDF文档的语言

Question

我正在尝试用Python提取任何普通PDF文档的语言，并将其设置到内容管理系统（CMS）中。我是通过提取/Lang属性来实现的，下面是我的代码示例：

pdfFileLang = findInDict('/Lang',pdfFile.resolvedObjects())



def findInDict(needle,indirectObjectDict):
    """ Returns the PDF Language """
    haystack = indirectObjectDict[0]
    LOG('pypdfutils.py getPdfLanguage key haystack',INFO,str(haystack))
    for key in haystack.keys():
        LOG('pypdfutils.py getPdfLanguage key',INFO,str(key))
        try:
             value = haystack[key]
             LOG('pypdfutils.py getPdfLanguage value',INFO,str(value))
             if key == needle:
                 return value
             else:
                 LOG('pypdfutils.py getPdfLanguage value1',INFO,str(value))
             internalDict = value.keys()
             LOG('pypdfutils.py getPdfLanguage key Dict',INFO,str(internalDict))
             if type(value) == types.DictType:
                 internalDict = value.keys()                 
             else:
                 LOG('pypdfutils.py getPdfLanguage value2',INFO,str(value))
                 for internalkey in internalDict.keys():
                     internalvalue = internalDict[internalkey]
                     LOG('pypdfutils.py getPdfLanguage key internalvalue',INFO,str(internalvalue))
                     if type(internalvalue) == types.DictType and internalvalue.has_key(needle):
                         return internalvalue[needle]                                  
        except Exception,e:
            LOG('pypdfutils.py getPdfLanguage',INFO,str(e))
            continue

但是当我查看日志时，发现字典中没有这个"/Lang"属性。

Answer 1

在PDF规范中有说明：

文档目录里有一个叫“/Lang”的键。在我手上的PDF规范中，这部分在第7.7.2节有解释。

这个语言键定义了整个文档的假定语言，除了那些被标记为不同语言的部分。

所以，有两个注意事项：

1) 这个“/Lang”键是可选的。如果没有这个键，PDF规范就说语言是未定义的。

2) 这个“/Lang”键可能会被文件中的其他元素覆盖。所以整个文档可能是英语，但在第101页的某些句子可能会把语言重新定义为法语，比如说。

在你的情况下，你的算法应该首先尝试找到上面定义的整体文档语言。如果没有找到，那就看你想怎么做。你可以在整个文档中搜索“/Lang”键，看看有没有其他的，但如果找到多个，你就得决定这意味着什么……

Answer 2

看起来你是想在PDF文件中的所有字典里搜索'Lang'这个键。

要检查PDF文件中的语言信息，你需要查看目录里的'Lang'条目。不过，这个条目是否存在取决于用来创建PDF文件的软件，大多数PDF文件是没有这个条目的。

我对Python代码不太懂，但我相信你使用的PDF库会让你访问到文件的尾部（字典）或目录（根）字典。如果你能访问到尾部字典，就从中获取'Root'的值。这是指向目录（根）字典的间接引用。然后，你需要解析这个引用，找到目录字典。从这个目录字典中获取/Lang的值就能得到你想要的属性。

试试下面的代码：

catalog = pdfFile.trailer['/Root'].getObject()
if has_key("/Lang"):
    lang = catalog['/Lang'].getObject()

请注意，我不是Python程序员，上面的代码片段是我写的第一段Python代码（我不确定它是否能工作。:-）

你可以参考pypdf的文档，链接在这里：http://sourcecodebrowser.com/python-pypdf/1.10/classpy_pdf_1_1pdf_1_1_pdf_file_reader.html#a92be75503c895367083a846b3060e632