利用Apache Tika分页解析pdf文件内容

Apache Tika 实现pdf文档分页提取内容

Apache Tika是一个多功能的文档内容提取工具，可以提取多种类型的文档内容，常用的如pdf、office等格式。网上的例子基本上都是提取整篇文档内容，实际上用Tika提取pdf等文档的内容主要场景多半是给搜索引擎提供更精细化的搜索推荐，需要按页面或段落方式进行内容提取。
仔细研究了Tika的开发文档，实际上还是可以有一些办法实现pdf文档的分页内容提取的。

基本思路是利用ToXMLContentHandler，将pdf转换为xml文档，解析分页符

从ToXMLContentHandler派生一个分页内容解析器，实现startElement、endElement和character方法。

• 利用startElement解析xml内容，检测分页符，按页面将内容分组放到map中记录下来；
• 检测分页结束符，覆盖endElement方法，实际上xml是成对的，实际上没有用；
• 覆盖character方法，将页面内容写入到对应的map中，这里有关换行符的处理可以根据需要调整；

import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.pdf.PDFParser;
import org.apache.tika.sax.ToXMLContentHandler;
import org.xml.sax.Attributes;
import org.xml.sax.SAXException;

import java.io.File;
import java.io.FileInputStream;
import java.util.HashMap;
import java.util.Map;

public class PageContentHandler extends ToXMLContentHandler {
    private String pageTag = "div";
    private String pageClass = "page";
    private int pageNumber = 0;

    private Map<Integer,StringBuilder> pageMap;

    public PageContentHandler(){
        super();
        pageMap = new HashMap<>();
    }

    private void startPage() {
        pageNumber++;
        pageMap.put(pageNumber,new StringBuilder());
    }

    private void endPage() {
    }

    public void startElement(String uri, String localName, String qName, Attributes atts) throws SAXException {
        if(pageTag.equals(qName) && pageClass.equals(atts.getValue("class"))){
            startPage();
        }
    }

    public void endElement(String uri, String localName, String qName) throws SAXException {
        if(pageTag.equals(qName)){
            endPage();
        }
    }

    public void characters(char[] ch, int start, int length) throws SAXException {
        if(length > 0 && pageNumber > 0){
            if(ch.length == 1 && ch[0] == '\n'){
                return;
            }
            pageMap.get(pageNumber).append(ch);
//            pageMap.get(pageNumber).append('\n');
        }
    }

    public static void main(String[] args) throws Exception{
        PageContentHandler handler = new PageContentHandler();
        Metadata metadata = new Metadata();
        FileInputStream inputstream = new FileInputStream(new File("d:/唐诗三百首.pdf"));

        ParseContext pcontext = new ParseContext();

        //parsing the document using PDF parser
        PDFParser pdfparser = new PDFParser();
        pdfparser.parse(inputstream, handler, metadata,pcontext);

        //getting the content of the document by pages.
        for(Map.Entry<Integer,StringBuilder> entry:handler.pageMap.entrySet()){
            System.out.println("======Page " + entry.getKey() + "=======");
            System.out.println(entry.getValue().toString());
        }

        //getting metadata of the document
        System.out.println("Metadata of the PDF:");
        String[] metadataNames = metadata.names();

        for(String name : metadataNames) {
            System.out.println(name+ " : " + metadata.get(name));
        }
    }
}

测试效果

解析如下的《唐诗三百首》pdf文件：

输出效果：

唐诗三百首
  
  

======Page 2=======
唐诗三百首补注卷一
 
五言古诗
 
张九龄
  
九龄，字子寿，韶州曲江人。七岁如属文，擢进士，始调校书郎。玄宗
即位，迁右补阙，进中书侍郎。母丧夺哀，拜同平章事。卒，谥文献。
  
感  遇《唐音》注：感遇云者，
谓有感于心而寓于言，以摅其意也。
兰叶春葳蕤①，桂华秋皎洁。
欣欣此生意②，白尔为佳节③。
谁知林栖者④，闻风坐相悦。
草木有本心⑤，何求美人拆。
  
①［葳蕤］《字典》：蕤，儒佳切，音甤，《说文》：草木华垂貌。王
粲诗：吴天降丰泽，百卉挺葳蕤。②［欣欣］陶潜《归去来辞》，木欣欣以
向荣，泉涓涓而始流。［生意］《世说》：桓玄败后，殷仲文还为大司马咨
议，意似二三，非复往日。大司马厅前有一老槐，甚扶疏。殷因月朔与众在
厅，视槐良久，叹曰：“槐树婆姿，无复生意。”③［佳节］曹植表：一阳
佳节。④［林栖］曹毗对：儒不追林栖之迹，不希抱鳞之尤。⑤［本心］《魏
志·管宁传》：岂自遭之而违本心哉？
江南有丹橘，经冬犹绿材①。
岂伊地气暖，  白有岁寒心②。
可以荐嘉客③，奈何阻重深④。
运命唯所遇⑤，循环不可寻⑥。
徒言树桃李，此木岂无阴⑦。
①［江南丹橘］《楚辞》，后皇嘉树，橘徕服兮。受命不迁，生南国兮。
王逸注：橘受天命生于南国。《吴都赋》：其果则丹橘余甘，荔枝之林。［经
冬绿］李尤《七叹》：梁土清生，卢橘是生。白华绿叶。扶疏冬荣。②［地
气暖］《周礼·冬官》：橘逾淮而北为枳，此地气然也。曹植《橘赋》：背
江洲之暖气。［岁寒］《论语》：岁寒，然后知松柏之后凋也。李元操《咏
橘》诗：能守岁寒心。③［嘉客］《诗经》：所谓伊人，于焉嘉客。刘帧诗：
�藻生其涯，华叶纷优溺。采之荐宗庙，可以羞嘉客，④［重深］《鲁灵光
殿赋》：东序重深而奥秘。⑤［运命］李康论：夫洽乱，运也；穷达，命也。
⑥［循环］《史记·高祖纪·赞》：三王之道若循环，终而复始。谢灵运诗：
四时循环转，寒暑自相承。⑦［无阴］《吴都赋》：椰叶无阴。《韩诗外传》：
春树桃李，夏得阴其下，秋得食其实。

======Page 3=======
李白
  
白，字太白。母梦长庚星而生。通诗书，喜纵横术，击剑为任侠。天宝
初，贺知章言于玄宗，有诏供奉翰林，因失意于贵妃，赐金放还。禄山反，
永王璘节度东南，迫致之。及璘败，白坐系浔阳狱，流夜郎，以赦得释。代
宗以左抬遗召，而自已卒，年六十四。
  
下终南山过斛斯山人宿置酒①
 
暮从碧山下，  山月随人归。
却顾所来径，  苍苍横翠微②。
相携及田家，  童推开荆扉③。
绿竹入幽径，  青萝拂行衣。
欢言得所慈④，美酒聊共挥⑤。
长歌吟松风⑥，曲尽河星稀。
我醉君复乐，  陶然共忘机⑦。
①[终南山]《元和郡县志》，终南山在雍州万年县南五十里。《太平寰
字记》：终南山在郿县南三十里，《雍录》：终南山横亘关南面，西起秦陇，
东彻蓝田，凡雍；岐、郿、鄂、长安、万年，相去且八百里，而连峙据其南
看，皆此一山也。《一统志》：终南山在西安府南五十里。[料斯]《通志·氏
族略》：代北复姓有斜斯氏，其先居广牧，世袭勿莫大人号，斛斯部因氏焉。
②[翠微]《尔雅》：山未及上翠微。疏谓： 未及顶上，在旁陂陀之处名翠微。
一说山气青缥色，故曰翠微也。③[ 荆扉] 沈约诗：荆扉且新故。李周翰注：
荆扉，以荆为扉也。④[ 所慈]《诗·召南》：召伯所憩。注：憩，音器，息
也。⑤[共挥]《曲礼》：饮玉爵者弗挥，注：振去余酒曰挥。③[松凤]《风
俗通》：河间杂歌二十一章，内有《风入松》曲。⑦[陶然] 陶潜诗：挥兹一
觞，陶然自乐。