使用Apache Tika是否可以按页提取Word/PDF文件中的文本？

Question

我找到的所有文档都似乎表明只能提取整个文件的内容，但我需要分别提取每一页的内容。我是否需要编写自己的解析器？有没有一些我忽略了的明显方法？

- Asif Sheikh

Answer 1

实际上，Tika可以处理页面（至少在pdf中），通过在页面开始前发送元素<div><p>，并在页面结束后发送</p></div>。您可以使用此方法轻松设置处理程序中的页面计数（只需使用<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;
    }
    ...
}

当使用PDF进行此操作时，您可能会遇到解析器未按正确顺序发送文本行的问题-请参见使用Apache Tika 0.9（和PDFBox在其下）从PDF文件中提取文本以了解如何处理此问题。

- topchef

---

只计算<p>标签也会计算普通段落，而不仅仅是页面，至少对我来说是这样。 - Philipp Nowak

Answer 2

您可以使用metadata对象的xmpTPg:NPages键来获取Pdf中页面的数量，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");

- hd1

---

这并没有回答实际问题。问题不是关于如何获取总页数，而是关于如何逐页提取文本的问题。 - Abraham Milano

Answer 3

您需要与底层库一起使用-Tika不在页面级别上执行任何操作。

对于PDF文件，PDFBox应该能够提供一些页面内容。对于Word文档，Apache POI的HWPF和XWPF并不真正执行页面级别的操作-页面断点不存储在文件中，而是需要根据文本+字体+页面大小动态计算...

- Gagravarr

---

因此，尽管Tika在内部使用PDFBox，但它并没有提供与PDFBox相同的功能广度？我特别担心的是，从我所看到的来看，Tika不允许您像PDFBox那样设置起始-结束页面 - 正如这个SO线程所展示的那样https://dev59.com/I2w15IYBdhLWcg3wFHzf - Don Cheadle

Apache Tika 提供了跨越非常广泛的文件格式的通用功能。它永远不会暴露每个库所做的所有事情，而是使生活变得简单和一致。 - Gagravarr

那么，如果我想要使用PDF等文件进行逐页操作，Tika就无法满足我的需求，我应该使用PDFBox？ - Don Cheadle