我有一个简单的JAVA代码,它使用TIKA库来获取PDF文件的元数据,并列出了以下元数据。
Tika代码:
Metadata metadata = new Metadata();
tika.parse(file, metadata);
String[] metadataNames = metadata.names();
for (String name : metadataNames) {
System.out.println(name + " : " + metadata.get(name));
}
输出:
date : 1996-11-19T09:00:46Z
pdf:PDFVersion : 1.1
access_permission:modify_annotations : true
access_permission:can_print_degraded : true
dcterms:created : 1996-10-22T07:44:27Z
Last-Modified : 1996-11-19T09:00:46Z
dcterms:modified : 1996-11-19T09:00:46Z
dc:format : application/pdf; version=1.1
title : Test
Last-Save-Date : 1996-11-19T09:00:46Z
access_permission:fill_in_form : true
meta:save-date : 1996-11-19T09:00:46Z
pdf:encrypted : false
dc:title : Test
modified : 1996-11-19T09:00:46Z
Content-Type : application/pdf
meta:creation-date : 1996-10-22T07:44:27Z
created : Tue Oct 22 00:44:27 PDT 1996
access_permission:extract_for_accessibility : true
access_permission:assemble_document : true
xmpTPg:NPages : 64
Creation-Date : 1996-10-22T07:44:27Z
access_permission:extract_content : true
access_permission:can_print : true
producer : Acrobat Distiller 2.1 for Power Macintosh
access_permission:can_modify : true
我使用下面的代码,该代码使用PDF框来获取元数据,但我不想指定元数据键,而是希望获取所有可用的元数据键并对其进行迭代。
使用PDF盒库时,一般访问所有元数据键/值对的最佳方式是什么
public static void main(String args[]) {
PDFTextStripper pdfStripper = null;
PDDocument pdDoc = null;
COSDocument cosDoc = null;
File file = new File("test/test.pdf");
try {
PDFParser parser = new PDFParser(new FileInputStream(file));
parser.parse();
cosDoc = parser.getDocument();
pdfStripper = new PDFTextStripper();
pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(1);
pdfStripper.setEndPage(5);
String parsedText = pdfStripper.getText(pdDoc);
// System.out.println(parsedText);
PDDocumentCatalog cat = pdDoc.getDocumentCatalog();
PDMetadata metadata = cat.getMetadata();
if (metadata != null) {
System.out.println(metadata.getInputStreamAsString());
}
printMetadata(pdDoc);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
public static void printMetadata(PDDocument document) throws IOException {
PDDocumentInformation info = document.getDocumentInformation();
PDDocumentCatalog cat = document.getDocumentCatalog();
PDMetadata metadata = cat.getMetadata();
System.out.println("Page Count=" + document.getNumberOfPages());
System.out.println("Title=" + info.getTitle());
System.out.println("Author=" + info.getAuthor());
System.out.println("Subject=" + info.getSubject());
System.out.println("Keywords=" + info.getKeywords());
System.out.println("Creator=" + info.getCreator());
System.out.println("Producer=" + info.getProducer());
System.out.println("Creation Date=" + formatDate(info.getCreationDate()));
System.out.println("Modification Date=" + formatDate(info.getModificationDate()));
System.out.println("Trapped=" + info.getTrapped());
if (metadata != null) {
System.out.println("Metadata=" + metadata.getStream());
}
}
输出:
Page Count=64
Title=test
Author=null
Subject=null
Keywords=null
Creator=null
Producer=Acrobat Distiller 2.1 for Power Macintosh
Creation Date=10/22/96 12:44 AM
Modification Date=11/19/96 1:00 AM
Trapped=null
抱歉,没有简单的方法可以遍历所有元数据值。您可以使用meta(抱歉),在PDDocumentInformation对象上使用反射,并遍历getter,但随后您还必须处理不同的返回类型。在这一点上,您还可以对上面所做的内容进行硬编码。
而且,这只是针对PDDocumentInformation对象。
在XMP中导航更有趣,因为它可以包含不同的模式(DublinCore、XMPMM等,例如参见Jempbox),甚至自定义元数据。
在Tika上,我们正在努力让越来越多的XMP元数据可用(刚刚添加了XMPMM,很快就会添加Photoshop)。。。如果您有任何要求,请告诉我们。
最后,如果你真的开始使用XMP和PDFBox,我建议你坚持使用Jempbox一段时间(见此)。