Apache Tikaを使用したテキスト抽出

v2023.05

JPedalはApache TikaのParserインターフェースに対応しており、既存のTikaアプリケーションでそのまま置き換えて使用することができます。

現在、構造化テキストと非構造化テキストの両方をサポートしています。

使用例

try (final TikaInputStream tik = TikaInputStream.get(Paths.get("inputFile.pdf"))) {
    final PDFParser parser = new PDFParser(UNSTRUCTURED_TEXT);

    // Set the writeLimit to -1 otherwise only the first 100000 characters are parsed
    final BodyContentHandler handler = new BodyContentHandler(-1);

    // Ability to set a password if necessary
    final Metadata metadata = new Metadata();
    // metadata.set(PDFParser.PASSWORD, "password");

    // parseContext is not required so can be null
    parser.parse(tik, handler, metadata, null);

    // Print the result
    System.out.println(handler);
} catch (final IOException | SAXException | TikaException e) {
    e.printStackTrace();
}

PDFParser の詳細情報。