logo标签列表

Python - Apache Tika 单页解析器

pythonapache-tikatika-server
4
我想知道是否有使用Tika/Python仅解析第一页或仅提取第一页元数据的方法？目前，当我传递pdf文件时，它会解析每一页。我查看了这个链接：Is it possible to extract text by page for word/pdf files using Apache Tika? 但是，这个链接更多地解释了Java，而我不熟悉Java。我希望能有一个Python的解决方案。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']
简短回答 - 不行。最好的方法是将内容作为XHTML获取，然后仅提取第一页的div。 - Gagravarr
2个回答
10

谢谢提供这个信息，非常有帮助。以下是我的代码，用于逐页检索内容（有点不太规范，但它可以工作）：

    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
4

@Gagravarr提到了XHTML，我发现Tika在读取文件时有一个xmlContent解析。我使用它来捕获XML格式，并使用正则表达式进行捕获。

这对我很有帮助：

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，开始标签为"<div"，结束标签为"</div>"，需要注意的是只取第一次出现的。我基本上编写了一段小代码来捕获两个子字符串之间的子字符串，并将其存储到变量中以满足我的特定需求。
谢谢您的回答。然而，这似乎只适用于.pdf文件，而不是.docx文件。.docx文件的解析XHTML不包含<div>标签。您知道如何处理吗？ - GoodDeeds
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接