4

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']
4

2 回答 2

9

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
于 2019-09-23T14:56:08.403 回答
4

@Gagravarr 关于 XHTML 的评论，我发现 TikaxmlContent在读取文件时进行了解析。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']

"<div"每个以第一次出现开始和结束的页面分隔符都有一个开始和结束"</div>"。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。

于 2018-11-07T18:38:44.997 回答