Python與Tika的對(duì)比案例

這篇文章給大家分享的是有關(guān)Python與Tika的對(duì)比案例的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考。一起跟隨小編過來看看吧。

PDF文件表格樣例

Python解析結(jié)果

其他樣式解析，如Tika

1、TEXT格式

  Tika tika = new Tika();
        tika.setMaxStringLength(100 * 1024 * 1024);
        try (InputStream stream = new FileInputStream(new File("600060_2018_zB.pdf"))) {
            return tika.parseToString(stream);
        }

Text格式解析結(jié)果

2、XHTML格式

       ContentHandler handler = new ToXMLContentHandler();
        AutoDetectParser parser = new AutoDetectParser();
        Metadata metadata = new Metadata();
        try (InputStream stream = new FileInputStream(new File("600060_2018_zB.pdf"))) {
            parser.parse(stream, handler, metadata);
            return handler.toString();
        }

XHTML格式解析結(jié)果

解析PDF常用組件（PdfBox、iText、Tika等）都無法將表格數(shù)據(jù)解析成有規(guī)則的格式。解析后格式基本是TEXT、XHTML等導(dǎo)致處理表格數(shù)據(jù)變的非常復(fù)雜。

根據(jù)對(duì)比我們可以發(fā)現(xiàn)，用Python解析PDF的表格數(shù)據(jù)更為簡(jiǎn)單方便。

感謝各位的閱讀！關(guān)于Python與Tika的對(duì)比案例就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！