Question

我有一个场景，我需要调和两个文档，Word（.docx）文档和PDF。这两者应该是彼此“混淆”的（PDF只是DOCX文件的PDF版本）;意思是它们应该包含相同的文字，内容等。

具体来说，我需要确保两个文档包含相同数量的段落。因此，我需要阅读DOCX，获取段落计数，然后阅读PDF并抓住其段落计数。如果两个数字相同，那么我就是在做生意。

看起来Apache Tika（我对1.3 感兴趣）是这里工作的正确工具。我在this source file中看到Tika支持段落计数的概念，但试图弄清楚如何从两个文档中获取计数。这是我最好的尝试，但我正在窒息连接一些最后的点：

InputStream docxStream = new FileInputStream("some-doc.docx");
InputStream pdfStream = new FileInputStream("some-doc.pdf");

ContentHandler handler = new DefaultContentHandler();
Metadata docxMeta = new Metadata();
Metadata pdfMeta = new Metadata();
Parser parser = new OfficeParser();
ParseContext pc = new ParseContext();

parser.parse(docxStream, handler, docxMeta, pc);
parser.parse(pdfStream, handler, pdfMeta, pc);

docxStream.close();
pdfStream.close();

int docxParagraphCount = docxMeta.getXXX(???);
int pdfParagraphCount = pdfMeta.getXXX(???);

if(docxParagraphCount == pdfParagraphCount)
    setInBusiness(myself, true);

所以我问：我是否正确设置了这个？或者我离开了基地？如果偏离基地，请给我一些帮助让我回到正轨。如果我已正确设置，那么如何从两个Metadata实例中获得所需的计数？提前谢谢。

Answer 1

首先，Tika只会回复您文档中包含的元数据。它不会为你计算任何东西。因此，如果您的某个文档缺少段落计数元数据，那么您就不走运了。如果你的一个文件有duff数据（即编写文件的程序错了），你就不走运了。

否则，您的代码几乎就在那里，但并不完全。您最有可能希望使用DefaultParser或AutoDetectParser - OfficeParser仅用于Microsoft文件格式，而其他人则自动加载所有可用的解析器并选择正确的解析器。

您想要的属性是PARAGRAPH_COUNT，它来自Office元数据命名空间。您的代码将类似于：

TikaInputStream docxStream = TikaInputStream.get(new File("some-doc.docx"));
TikaInputStream pdfStream = TikaInputStream.get(new File("some-doc.pdf"));

ContentHandler handler = new DefaultContentHandler();
Metadata docxMeta = new Metadata();
Metadata pdfMeta = new Metadata();
ParseContext pc = new ParseContext();

Parser parser = TikaConfig.getDefaultConfig().getParser();

parser.parse(docxStream, handler, docxMeta, pc);
parser.parse(pdfStream, handler, pdfMeta, pc);

int docxParagraphCount = docxMeta.getInt(Office.PARAGRAPH_COUNT);
int pdfParagraphCount = pdfMeta.getInt(Office.PARAGRAPH_COUNT);

如果您根本不关心文本，只有元数据传入虚拟内容处理程序

从Tika获取Word和PDF的段落数

1 个答案: