Java 如何使用pdfbox访问所有PDF元数据
我有一个简单的JAVA代码,它使用TIKA库获取PDF文件的元数据,它列出了以下元数据 Tika代码:Java 如何使用pdfbox访问所有PDF元数据,java,pdfbox,apache-tika,Java,Pdfbox,Apache Tika,我有一个简单的JAVA代码,它使用TIKA库获取PDF文件的元数据,它列出了以下元数据 Tika代码: Metadata metadata = new Metadata(); tika.parse(file, metadata); String[] metadataNames = metadata.names(); for (String name : metadataNames) { System.out.println(name + " : " + metadata.get(name
Metadata metadata = new Metadata();
tika.parse(file, metadata);
String[] metadataNames = metadata.names();
for (String name : metadataNames) {
System.out.println(name + " : " + metadata.get(name));
}
输出:
date : 1996-11-19T09:00:46Z
pdf:PDFVersion : 1.1
access_permission:modify_annotations : true
access_permission:can_print_degraded : true
dcterms:created : 1996-10-22T07:44:27Z
Last-Modified : 1996-11-19T09:00:46Z
dcterms:modified : 1996-11-19T09:00:46Z
dc:format : application/pdf; version=1.1
title : Test
Last-Save-Date : 1996-11-19T09:00:46Z
access_permission:fill_in_form : true
meta:save-date : 1996-11-19T09:00:46Z
pdf:encrypted : false
dc:title : Test
modified : 1996-11-19T09:00:46Z
Content-Type : application/pdf
meta:creation-date : 1996-10-22T07:44:27Z
created : Tue Oct 22 00:44:27 PDT 1996
access_permission:extract_for_accessibility : true
access_permission:assemble_document : true
xmpTPg:NPages : 64
Creation-Date : 1996-10-22T07:44:27Z
access_permission:extract_content : true
access_permission:can_print : true
producer : Acrobat Distiller 2.1 for Power Macintosh
access_permission:can_modify : true
Page Count=64
Title=test
Author=null
Subject=null
Keywords=null
Creator=null
Producer=Acrobat Distiller 2.1 for Power Macintosh
Creation Date=10/22/96 12:44 AM
Modification Date=11/19/96 1:00 AM
Trapped=null
我使用下面的代码使用PDF框来获取元数据,但我不想指定元数据键,而是希望获取所有可用的元数据键并对它们进行迭代
使用PDF box库时,一般访问所有元数据密钥/值对的最佳方法是什么?
public static void main(String args[]) {
PDFTextStripper pdfStripper = null;
PDDocument pdDoc = null;
COSDocument cosDoc = null;
File file = new File("test/test.pdf");
try {
PDFParser parser = new PDFParser(new FileInputStream(file));
parser.parse();
cosDoc = parser.getDocument();
pdfStripper = new PDFTextStripper();
pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(1);
pdfStripper.setEndPage(5);
String parsedText = pdfStripper.getText(pdDoc);
// System.out.println(parsedText);
PDDocumentCatalog cat = pdDoc.getDocumentCatalog();
PDMetadata metadata = cat.getMetadata();
if (metadata != null) {
System.out.println(metadata.getInputStreamAsString());
}
printMetadata(pdDoc);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
public static void printMetadata(PDDocument document) throws IOException {
PDDocumentInformation info = document.getDocumentInformation();
PDDocumentCatalog cat = document.getDocumentCatalog();
PDMetadata metadata = cat.getMetadata();
System.out.println("Page Count=" + document.getNumberOfPages());
System.out.println("Title=" + info.getTitle());
System.out.println("Author=" + info.getAuthor());
System.out.println("Subject=" + info.getSubject());
System.out.println("Keywords=" + info.getKeywords());
System.out.println("Creator=" + info.getCreator());
System.out.println("Producer=" + info.getProducer());
System.out.println("Creation Date=" + formatDate(info.getCreationDate()));
System.out.println("Modification Date=" + formatDate(info.getModificationDate()));
System.out.println("Trapped=" + info.getTrapped());
if (metadata != null) {
System.out.println("Metadata=" + metadata.getStream());
}
}
输出:
date : 1996-11-19T09:00:46Z
pdf:PDFVersion : 1.1
access_permission:modify_annotations : true
access_permission:can_print_degraded : true
dcterms:created : 1996-10-22T07:44:27Z
Last-Modified : 1996-11-19T09:00:46Z
dcterms:modified : 1996-11-19T09:00:46Z
dc:format : application/pdf; version=1.1
title : Test
Last-Save-Date : 1996-11-19T09:00:46Z
access_permission:fill_in_form : true
meta:save-date : 1996-11-19T09:00:46Z
pdf:encrypted : false
dc:title : Test
modified : 1996-11-19T09:00:46Z
Content-Type : application/pdf
meta:creation-date : 1996-10-22T07:44:27Z
created : Tue Oct 22 00:44:27 PDT 1996
access_permission:extract_for_accessibility : true
access_permission:assemble_document : true
xmpTPg:NPages : 64
Creation-Date : 1996-10-22T07:44:27Z
access_permission:extract_content : true
access_permission:can_print : true
producer : Acrobat Distiller 2.1 for Power Macintosh
access_permission:can_modify : true
Page Count=64
Title=test
Author=null
Subject=null
Keywords=null
Creator=null
Producer=Acrobat Distiller 2.1 for Power Macintosh
Creation Date=10/22/96 12:44 AM
Modification Date=11/19/96 1:00 AM
Trapped=null
抱歉,没有简单的方法可以遍历所有元数据值。您可以使用meta(抱歉)并对PDDocumentInformation对象使用反射并迭代getter,但是您还必须处理不同的返回类型。在这一点上,您也可以硬编码上面所做的工作 这只是针对PDDocumentInformation对象 在XMP中导航更有趣,因为它可以包含不同的模式(DublinCore、XMPMM等,请参见示例),甚至可以包含自定义元数据 在Tika上,我们正在尝试提供越来越多的XMP元数据(刚刚添加了XMPMM,不久将添加Photoshop)…如果您有任何请求,请
最后,如果您确实开始使用XMP和PDFBox,我建议您暂时使用Jempbox(请参阅)。是否可以在Tika中直接访问PDFBox对象,以便向可能需要它的任何人公开它的所有方法?我在Python中使用tika,我会喜欢tika,也会喜欢从它里面访问pdfbox。你到底需要做什么?“Python中的tika”是指使用Python通过tika服务器调用tika吗?还是使用绑定?