text - 是否可以使用 Apache Tika 逐页提取 word/pdf 文件的文本？

Question

我能找到的所有文档似乎都表明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？是否有一些我缺少的明显方法？

Answer 1

实际上 Tika 确实通过发送元素来处理页面(至少在 pdf 中)<div><p>在页面开始之前和 </p></div>页面结束后。您可以使用它轻松地在处理程序中设置页面计数(仅使用 <p> 计算页面):

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，当解析器未按正确顺序发送文本行时，您可能会遇到问题 - 请参阅 Extracting text from PDF files with Apache Tika 0.9 (and PDFBox under the hood)关于如何处理。