如何使用JavaScript检测PDF是否为适配屏幕阅读器的带标签版本？

完全可以基于 PDF.js 实现这个检测需求。
带标签PDF（Tagged PDF）的核心标识是PDF文档目录中存在合法的StructTreeRoot（结构树根）对象以及对应的结构化标签树，这个属性确实不会在常规的文档元数据字段中暴露，而PDF.js支持访问PDF底层的字典对象结构，可以读取到相关信息。

核心实现方向 #

• 第一步：加载PDF文档后首先访问文档目录对象pdfDocument.catalog，调用get('StructTreeRoot')判断结构树根是否存在，这是带标签PDF的必要前提
• 第二步：校验结构树有效性，避免空结构树的假阳性结果：遍历StructTreeRoot下的K（子节点）字段，确认存在至少一个符合PDF无障碍标准的有效结构标签（比如H1/H2/P/Figure/Table等）
• 第三步（可选深化检测）：校验标签和内容的关联关系，比如确认结构节点的Pg属性关联到对应页码，图片类节点存在Alt文本属性，进一步排除无效空标签的情况

极简示例代码 #

// 需提前引入PDF.js，获取到加载完成的PDFDocument实例
async function checkIsTaggedPDF(pdfDoc) {
  try {
    // 读取结构树根
    const structTreeRoot = await pdfDoc.catalog.get("StructTreeRoot");
    if (!structTreeRoot) return false;

    // 校验是否有子节点
    const rootChildren = await structTreeRoot.get("K");
    if (!Array.isArray(rootChildren) || rootChildren.length === 0) return false;

    // 标准结构标签白名单，可按需扩展
    const validTagSet = new Set(["H1", "H2", "H3", "P", "Figure", "Table", "L", "LI"]);
    let hasValidTag = false;

    // 递归遍历结构树
    const traverse = async (node) => {
      if (hasValidTag) return;
      const tagName = await node.get("S");
      if (tagName && validTagSet.has(tagName)) {
        hasValidTag = true;
        return;
      }
      const kids = await node.get("K");
      if (Array.isArray(kids)) {
        for (const kid of kids) await traverse(kid);
      }
    };

    for (const child of rootChildren) await traverse(child);
    return hasValidTag;
  } catch (err) {
    // 读取结构树失败默认判定为非带标签PDF
    return false;
  }
}

注意事项 #

• 不要使用PDF.js封装的高层文本/渲染API，直接操作底层catalog的字典属性才能获取到结构树相关信息
• 大文件检测时可以做提前中断优化，找到第一个有效标签即可终止遍历，不需要全量解析整个结构树
• 如果需要更高准确率，可以增加逻辑校验结构节点关联的内容流是否存在，避免纯占位标签导致的假阳性

内容的提问来源于stack exchange，提问作者Gavin Coulson