0

Office.PARAGRAPH_COUNT如果我有以下代码可以从 PDF中读取段落数 ( )：

TikaInputStream pdfStream = TikaInputStream.get(new File("some-doc.pdf"));

ContentHandler handler = new DefaultContentHandler();
Metadata pdfMeta = new Metadata();
ParseContext pc = new ParseContext();

Parser parser = TikaConfig.getDefaultConfig().getParser();

parser.parse(pdfStream, handler, pdfMeta, pc);

int pdfParagraphCount = pdfMeta.getInt(Office.PARAGRAPH_COUNT);

Tika 是否获得pdfParagraphCount：

  • 只需查询 PDF 的元数据以获取计数？或通过
  • 在解析器读取整个 PDF 时应用一些“段落计数”算法？

如果是前者，保存计数的元数据字段是否可写？意思是，会不会是错的？任何带有 iText 或 PDFbox 的小丑都可以操纵该字段并使其不正确吗？

有什么方法可以让 Tika 在阅读 PDF 文件时计算段落（正确地，通过应用某种算法或策略）？

本质上，我需要 PDF 中的段落数，并且我需要它非常准确，没有机会或损坏/不正确的可写元数据字段（因为我自己不生成原始 PDF）。提前致谢。

4

1 回答 1

0

Tika 将文档本身的元数据返回给您。它不计算任何元数据，你得到的只是那里的东西。（Tika 有时会做一些工作来规范文件格式之间的事情，以便元数据在不同文档类型之间保持一致，但这主要只是映射到标准元数据方案）。

不过，您也有点不走运，我需要它完全准确，这将是 PDF 等文件格式的问题。PDF 不是基于行/段落的文件格式。当然，您可以生成一个 PDF，其中所有内容都相对定位在行和段落中，但您也可以构建一个 PDF，其中每个字符一次一个地绝对放置在页面上。Tika（以及下面的 Apache PDFBox）将尽最大努力将其转回有用的文本块，但如果有人真的想惹你生气，他们可以生成一个基本上不可能自动分类为段落的 PDF……

于 2013-02-21T11:42:36.457 回答