srcmini本文概述
为了从pdf文件中提取内容, Tika使用PDFParser。 PDFParser是用于从pdf文件提取内容和元数据的类。此类位于org.apache.tika.parser.pdf包中。
它包含下表中列出的构造函数和方法。
PDFParser构造函数权限
| Constructor | Description |
|---|---|
| public PDFParser() | 它用于创建此类的实例。 |
下载PDFParser方法
| Method | Description |
|---|---|
| 公共Set <MediaType> getSupportedTypes(ParseContext上下文) | 当与给定的解析上下文一起使用时, 它返回此解析器支持的媒体类型集。 |
| 公共无效解析(InputStream流, ContentHandler处理程序, 元数据元数据, ParseContext上下文)引发IOException, SAXException, TikaException | 它将文档流解析为一系列XHTML SAX事件。 |
| 公共PDFParserConfig getPDFParserConfig() | 它用于获取pdfparser配置。 |
| 公共无效setPDFParserConfig(PDFParserConfig配置) | 用于设置pdfparser的配置 |
| 公共无效setEnableAutoSpace(布尔v) | 解析器应估计单词之间应在何处插入空格。 |
| 公共布尔getExtractAnnotationText() | 它提取注释中的文本。 |
| 公共无效setExtractAnnotationText(boolean v) | 如果为true(默认值), 则将提取注释中的文本。 |
| 公共无效setSuppressDuplicateOverlappingText(boolean v) | 如果为true, 则解析器应尝试删除同一区域上的重复文本。 |
Tika提取PDF文件示例
在下面的示例中, 我们从pdf文件中提取内容和元数据。
package tikaexample;
import java.io.IOException;
import java.io.InputStream;
import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.pdf.PDFParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.SAXException;
public class PdfParserExample {
public static void main(String[] args) throws IOException, SAXException, TikaException {
BodyContentHandler handler = new BodyContentHandler();
PDFParser parser = new PDFParser();
Metadata metadata = new Metadata();
ParseContext pcontext = new ParseContext();
try (InputStream stream = AutoDetectParseExample.class.getResourceAsStream("srcmini.pdf")) {
parser.parse(stream, handler, metadata, pcontext);
System.out.println("Document Content:" + handler.toString());
System.out.println("Document Metadata:");
String[] metadatas = metadata.names();
for(String data : metadatas) {
System.out.println(data + ": " + metadata.get(data));
}
}catch(Exception e) {System.out.println("Exception message: "+ e.getMessage());}
}
}输出
Document Content:
Welcome to the srcmini.
srcmini is a Technical portal that contains latest computer science topics.
Document Metadata:
pdf:PDFVersion: 1.4
xmp:CreatorTool: Online2PDF.com
access_permission:modify_annotations: true
access_permission:can_print_degraded: true
meta:creation-date: 2018-05-05T11:25:40Z
created: Sat May 05 16:55:40 IST 2018
access_permission:extract_for_accessibility: true
access_permission:assemble_document: true
xmpTPg:NPages: 1
Creation-Date: 2018-05-05T11:25:40Z
dcterms:created: 2018-05-05T11:25:40Z
dc:format: application/pdf; version=1.4
access_permission:extract_content: true
access_permission:can_print: true
pdf:docinfo:creator_tool: Online2PDF.com
access_permission:fill_in_form: true
pdf:encrypted: false
producer: Online2PDF.com
access_permission:can_modify: true
pdf:docinfo:producer: Online2PDF.com
pdf:docinfo:created: 2018-05-05T11:25:40Z
Content-Type: application/pdf
评论前必须登录！
注册