java - 从Tika获取Word和PDF的段落计数

我有一个需要调和两个文档（Word（.docx）文档和PDF）的方案。两者应该彼此“相同”（PDF只是DOCX文件的PDF版本）。表示它们应包含相同的文本，内容等。

具体来说，我需要确保两个文档都包含相同数量的段落。因此，我需要阅读DOCX，获取段落计数，然后阅读PDF并获取其段落计数。如果两个数字相同，那我就做生意。

看起来Apache Tika（我对1.3感兴趣）是适合此工作的工具。我在this source file中看到Tika支持段落计数的概念，但是试图弄清楚如何从两个文档中获取计数。这是我的最佳尝试，但我在连接最后一些点时感到很king：

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：我是否正确设置了此设置？如果不在基地，请给我一些帮助，让我重回正轨。如果我已正确设置，那么如何从两个Metadata实例中获得所需的计数？提前致谢。

最佳答案

首先，Tika仅会退还文档中包含的元数据。它不会为您计算任何东西。因此，如果您的文档之一缺少段落计数元数据，那么您很不走运。如果您的一个文档中包含Duff数据（即，将文件写出的程序弄错了），那么您将很不走运。

否则，您的代码就在那儿，但不尽然。您很可能只想使用DefaultParser或AutoDetectParser-OfficeParser仅用于Microsoft文件格式，而其他文件则自动加载所有可用的解析器并选择正确的解析器。

所需的属性是PARAGRAPH_COUNT，它来自Office元数据名称空间。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);

如果您根本不在乎文本，只需在元数据中传入一个虚拟内容处理程序