Python - Apache Tika 单页解析器答案

【问题标题】：Python - Apache Tika Single Page parserPython - Apache Tika 单页解析器
【发布时间】：2019-04-05 05:16:56
【问题描述】：

我想知道是否有任何方法使用 Tika/Python 仅解析第一页或仅从第一页提取元数据？现在，当我传递 pdf 时，它正在解析每一页。我看了这个链接：Is it possible to extract text by page for word/pdf files using Apache Tika? 但是，此链接在我不熟悉的 java 中解释了更多内容。我希望有一个python解决方案吗？谢谢！

from tika import parser
# running: java -jar tika-server1.18.jar before executing code below. 
parsedPDF = parser.from_file('C:\\path\\to\\dir\\sample.pdf')

fulltext = parsedPDF['content']

metadata_dict = parsedPDF['metadata']
title = metadata_dict['title']
author = metadata_dict['Author'] # capturing all the names from lets say 15 pages. Just want it to capture from first page 
pages = metadata_dict['xmpTPg:NPages']

【问题讨论】：

简短回答 - 不。你能做的最好的是将内容获取为 XHTML，然后只抓取第一页的 div

标签： python apache-tika tika-server

【解决方案1】：

感谢您提供此信息，真的很有帮助。这是我逐页检索内容的代码（有点脏，但它有效）：

    raw_xml = parser.from_file(file, xmlContent=True)
    body = raw_xml['content'].split('<body>')[1].split('</body>')[0]
    body_without_tag = body.replace("<p>", "").replace("</p>", "").replace("<div>", "").replace("</div>","").replace("<p />","")
    text_pages = body_without_tag.split("""<div class="page">""")[1:]
    num_pages = len(text_pages)
    if num_pages==int(raw_xml['metadata']['xmpTPg:NPages']) : #check if it worked correctly
         return text_pages

【讨论】：

【解决方案2】：

@Gagravarr cmets 关于 XHTML，我发现 Tika 在读取文件时有一个 xmlContent 解析。我用它来捕获xml格式并使用正则表达式来捕获它。

这对我有用：

parsed_data_full = parser.from_file(file_name,xmlContent=True) 
parsed_data_full = parsed_data_full['content']

每个页面分隔符都有一个开始和结束，以"<div" 开头并以"</div>" 第一次出现结束。基本上写了一个小代码来捕获2个子字符串之间的子字符串，并根据我的具体要求存储到一个变量中。

【讨论】：

感谢您的回答。但是，这似乎只适用于 .pdf 文件，而不适用于 .docx 文件。 .docx 文件的已解析 XHTML 不包含 <div> 标记。你知道有什么方法可以处理吗？