Question

我能找到的所有文档似乎都暗示我只能提取整个文件的内容。但我需要单独提取页面。我需要为此编写自己的解析器吗？是否有一些我遗漏的明显方法？

Answer 1

实际上Tika确实通过在页面开始之前发送元素<div><p>并在页面结束后发送</p></div>来处理页面（至少以pdf格式）。您可以使用此功能轻松设置处理程序中的页数（仅使用<p>计算页数）：

public abstract class MyContentHandler implements ContentHandler {
    private String pageTag = "p";
    protected int pageNumber = 0;
    ...
    @Override
    public void startElement (String uri, String localName, String qName, Attributes atts) throws SAXException  {  

        if (pageTag.equals(qName)) {
            startPage();
        }
    }

    @Override
    public void endElement (String uri, String localName, String qName) throws SAXException {  

        if (pageTag.equals(qName)) {
            endPage();
        }
    }

    protected void startPage() throws SAXException {
    pageNumber++;
    }

    protected void endPage() throws SAXException {
    return;
    }
    ...
}

使用pdf执行此操作时，如果解析器未按正确顺序发送文本行，则可能会遇到问题 - 有关如何处理此问题，请参阅Extracting text from PDF files with Apache Tika 0.9 (and PDFBox under the hood)。

Answer 2

您需要使用底层库 - Tika在页面级别不执行任何操作。

对于PDF文件，PDFBox应该能够为您提供一些页面内容。对于Word，来自Apache POI的HWPF和XWPF并不真正做页面级别的事情 - 分页符不存储在文件中，而是需要根据文本+字体+页面大小动态计算...

Answer 3

您可以使用metadata对象的xmpTPg:NPages键获取Pdf中的页数，如下所示：

Parser parser = new AutoDetectParser();
Metadata metadata = new Metadata();
ParseContext parseContext = new ParseContext();
parser.parse(fis, handler, metadata, parseContext);
metadata.get("xmpTPg:NPages");

是否可以使用Apache Tika逐页提取word / pdf文件？

3 个答案: