从 Tika 获取 Word 和 PDF 的段落计数

Question

我有一个场景，我需要协调两个文档，一个 Word (.docx) 文档以及一个 PDF。两者应该是“相同的”（PDF 只是 DOCX 文件的 PDF 版本）；意味着它们应该包含相同的文本、内容等。

具体来说，我需要确保两个文档包含相同数量的段落。所以我需要阅读 DOCX，获取段落数，然后阅读 PDF 并获取其段落数。如果两个数字相同，那么我在做生意。

看起来 Apache Tika（我对 1.3 感兴趣）是适合这里工作的工具。我在this source file 中看到 Tika 支持段落计数的概念，但试图弄清楚如何从两个文档中获取计数。这是我最好的尝试，但我对连接一些最后的点感到窒息：

InputStream docxStream = new FileInputStream("some-doc.docx");
InputStream pdfStream = new FileInputStream("some-doc.pdf");

ContentHandler handler = new DefaultContentHandler();
Metadata docxMeta = new Metadata();
Metadata pdfMeta = new Metadata();
Parser parser = new OfficeParser();
ParseContext pc = new ParseContext();

parser.parse(docxStream, handler, docxMeta, pc);
parser.parse(pdfStream, handler, pdfMeta, pc);

docxStream.close();
pdfStream.close();

int docxParagraphCount = docxMeta.getXXX(???);
int pdfParagraphCount = pdfMeta.getXXX(???);

if(docxParagraphCount == pdfParagraphCount)
    setInBusiness(myself, true);

所以我问：我的设置是否正确，或者我是否偏离了基地？如果偏离基地，请帮助我回到正轨。如果我设置正确，那么如何从两个 Metadata 实例中获得所需的计数？提前致谢。

Answer 1

首先，Tika 只会将文档中包含的元数据返回给您。它不会为你计算任何东西。因此，如果您的文档之一缺少段落计数元数据，那么您就不走运了。如果您的一份文件有 duff 数据（即，写出该文件的程序出错了），那么您将不走运。

否则，您的代码几乎就在那里，但并不完全。您很可能希望使用 DefaultParser 或 AutoDetectParser - OfficeParser 仅适用于 Microsoft 文件格式，而其他文件会自动加载所有可用的解析器并选择正确的解析器。

您想要的属性是 PARAGRAPH_COUNT，它来自 Office 元数据命名空间。您的代码将类似于：

TikaInputStream docxStream = TikaInputStream.get(new File("some-doc.docx"));
TikaInputStream pdfStream = TikaInputStream.get(new File("some-doc.pdf"));

ContentHandler handler = new DefaultContentHandler();
Metadata docxMeta = new Metadata();
Metadata pdfMeta = new Metadata();
ParseContext pc = new ParseContext();

Parser parser = TikaConfig.getDefaultConfig().getParser();

parser.parse(docxStream, handler, docxMeta, pc);
parser.parse(pdfStream, handler, pdfMeta, pc);

int docxParagraphCount = docxMeta.getInt(Office.PARAGRAPH_COUNT);
int pdfParagraphCount = pdfMeta.getInt(Office.PARAGRAPH_COUNT);

如果您根本不关心文本，只关心元数据，则传入一个虚拟内容处理程序