Question

我目前正在使用以下代码使用TIKA库提取PDF文件的内容和元数据。有没有办法读取特定页面或限制解析到TIKA的前几页？

public static void main(final String[] args) throws IOException,TikaException, SAXException {

      BodyContentHandler handler = new BodyContentHandler();
      Metadata metadata = new Metadata();
      FileInputStream inputstream = new FileInputStream(new File("test/test.pdf"));
      ParseContext pcontext = new ParseContext();

      //parsing the document using PDF parser
      AutoDetectParser pdfparser = new AutoDetectParser(); 
      pdfparser.parse(inputstream, handler, metadata,pcontext);

      //getting the content of the document
      System.out.println("Contents of the PDF :" + handler.toString());

      //getting metadata of the document
      //System.out.println("Metadata of the PDF:");
      String[] metadataNames = metadata.names();
      System.out.println(metadata.get("xmpTPg:NPages"));

      for(String name : metadataNames) {
         System.out.println(name+ " : " + metadata.get(name));
      }
   }

Answer 1

TIKA并不真正处理网页，但它会在页面之前发送<div><p>之后发送</p></div>。您可以修改处理程序startElement和endElement以搜索这些字符。

如果您需要更多信息，可以查看topchef的答案 https://stackoverflow.com/a/6271696/2197529

如何使用TIKA阅读PDF文件的前几页

1 个答案: