Python-Apache Tika单页解析器
我想知道是否有任何方法使用Tika/Python只解析第一页或从第一页提取元数据？现在，当我传递pdf时，它正在解析每一个页面。我查看了这个链接：使用Apache Tika可以按页面提取Word/PDF文件的文本吗？但是，这个链接在java中解释得更多，我对java并不熟悉。我希望能有一个python解决方案？谢了！
from tika import parser
# running: java -jar tika-server1.18.jar before executing code below.
parsedPDF = parser.from_file('C:\\path\\to\\dir\\sample.pdf')
fulltext = parsedPDF['content']
metadata_dict = parsedPDF['metadata']
title = metadata_dict['title']
author = metadata_dict['Author'] # capturing all the names from lets say 15 pages. Just want it to capture from first page
pages = metadata_dict['xmpTPg:NPages']
共有1个答案
谢谢你的信息，真的很有帮助。下面是我逐页检索内容的代码（有点脏，但很管用）：
raw_xml = parser.from_file(file, xmlContent=True)
body = raw_xml['content'].split('<body>')[1].split('</body>')[0]
body_without_tag = body.replace("<p>", "").replace("</p>", "").replace("<div>", "").replace("</div>","").replace("<p />","")
text_pages = body_without_tag.split("""<div class="page">""")[1:]
num_pages = len(text_pages)
if num_pages==int(raw_xml['metadata']['xmpTPg:NPages']) : #check if it worked correctly
return text_pages
-
本文向大家介绍Python解析最简单的验证码，包括了Python解析最简单的验证码的使用技巧和注意事项，需要的朋友参考一下 最近在学python，正好遇到学校需要选宿舍，就用python写了一个抢宿舍的软件。其中有一个模块是用来登陆的，登陆的时候需要输入验证码，不过后来发现了直接可以绕过验证码直接登陆的bug。不过这是另外的话题，开始的时候我并没有发现这个隐藏起来的秘密，所以我就写了这个pytho
-
本文向大家介绍Python requests获取网页常用方法解析，包括了Python requests获取网页常用方法解析的使用技巧和注意事项，需要的朋友参考一下 这篇文章主要介绍了Python requests获取网页常用方法解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 主要记录使用 requests 模块获取网页源码的方法 以上就是本文
-
本文向大家介绍Python实现网页截图（PyQT5）过程解析，包括了Python实现网页截图（PyQT5）过程解析的使用技巧和注意事项，需要的朋友参考一下 方案说明 功能要求：实现网页加载后将页面截取成长图片 涉及模块：PyQT5 PIL 逻辑说明： 1：完成窗口设置，利用PyQT5 QWebEngineView加载网页地址，待网页加载完成后，调用check_pag； 2：收集页面高度，并计算分次
-
问题内容： 我有一个非常简单的json，无法使用simplejson模块进行解析。再生产： 结果： 任何人都知道出了什么问题以及如何正确解析上面的json吗？ 在那里编码的字符串是： Variées PS我使用python 2.5 非常感谢！ 问题答案： 那是完全正确的；包含无效的转义符，JSON标准不允许后面跟数字。 无论产生什么代码，都应该修复。如果那是不可能的，那么您将需要使用正则表达式删除
-
我正在尝试用解析XML中不同元素的特定方法编写一些单元测试。但是我在单元测试中解析“测试”xml文件时遇到了一些问题。 我的问题并不是与XML/XSD文件有关，而是关于如何在单元测试中正确解析它们。 这是我到目前为止的代码： 即使我在实现方法中以同样的方式进行解析，我也会得到以下错误： 错误：读取文件“dir/testxsd.xsd”时出错：无法加载外部实体“dir/testxsd.xsd” 我尝
-
本文向大家介绍Python解析json代码实例解析，包括了Python解析json代码实例解析的使用技巧和注意事项，需要的朋友参考一下 这篇文章主要介绍了Python解析json代码实例解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下 什么是json格式： JSON（JavaScript Object Notation）：一种轻量级数据交换格式