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

【问题标题】：Is it possible to extract text by page for word/pdf files using Apache Tika?是否可以使用 Apache Tika 逐页提取 word/pdf 文件的文本？
【发布时间】：2011-04-28 20:53:08
【问题描述】：

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？有没有我遗漏的明显方法？

【问题讨论】：

标签： text apache-tika

【解决方案1】：

实际上，Tika 确实通过在页面开始前发送元素 <div><p> 和在页面结束后发送 </p></div> 来处理页面（至少在 pdf 中）。您可以使用它在处理程序中轻松设置页数（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，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) 了解如何处理。

【讨论】：

仅计算
标签也计算正常段落，而不仅仅是页面，至少对我而言。

【解决方案2】：

您需要使用底层库 - Tika 在页面级别不做任何事情。

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 并没有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......

【讨论】：

因此，虽然 Tika 在后台使用 PDFBox，但它提供的功能范围不如 PDFBox？我特别担心 Tika 不允许您以 PDFBox 允许的方式设置开始页面 - 正如这个 SO 线程演示的那样 stackoverflow.com/questions/6839787/…
Apache Tika 为各种文件格式提供通用功能。它永远不会暴露每个库所做的一切，而是让生活变得简单和一致
因此，如果我想使用 PDF 等逐页操作，Tika 不会让我到达那里，我基本上应该使用 PDFBox？

【解决方案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");

【讨论】：

这并不能回答实际问题。问题不在于如何获取总页数，而在于如何逐页提取文本。