Text 是否可以使用ApacheTika逐页提取word/pdf文件的文本？

我能找到的所有文档似乎都表明我只能提取整个文件的内容。但我需要单独提取页面。我需要为此编写自己的解析器吗？有什么明显的方法是我缺少的吗？

您需要使用底层库-Tika在页面级别不做任何事情

---

对于PDF文件，PDFBox应该能够为您提供一些页面内容。换句话说，ApachePOI的HWPF和XWPF并不真正做页面级的事情——分页符不存储在文件中，而是需要根据文本+字体+页面大小进行动态计算…

实际上Tika处理页面（至少在pdf中）通过在页面开始之前和页面结束之后发送元素

。您可以使用此选项轻松地在处理程序中设置页面计数（仅使用

计数页面）：

---

使用pdf执行此操作时，如果解析器没有按正确的顺序发送文本行，您可能会遇到问题-请参阅如何处理此问题。

您可以使用对象的

xmpTPg:NPages

键获取pdf中的页数，如下所示：

Parser parser = new AutoDetectParser();
Metadata metadata = new Metadata();
ParseContext parseContext = new ParseContext();
parser.parse(fis, handler, metadata, parseContext);
metadata.get("xmpTPg:NPages");

---

因此，虽然Tika在引擎盖下使用PDFBox，但它并没有提供与PDFBox相同的功能范围？我特别感到困惑的是，从我所看到的Tika不允许您按照PDFBox允许的方式设置起始-结束页面——因为这说明ApacheTika提供了跨各种文件格式的通用功能。它永远不会公开每个库所做的一切，相反，它使生活变得简单而一致。因此，如果我想用PDF之类的工具实现逐页操作，Tika不会让我达到目的，我基本上应该使用PDFBox？只计算标记也计算正常段落，而不仅仅是页面，至少对我来说。这并不能回答实际问题。问题不在于如何获得总页数，而在于如何逐页提取文本。

Parser parser = new AutoDetectParser();
Metadata metadata = new Metadata();
ParseContext parseContext = new ParseContext();
parser.parse(fis, handler, metadata, parseContext);
metadata.get("xmpTPg:NPages");