使用Python Tika提取PDF文件时如何获取页眉页脚信息

默认调用parser.from_file()返回的纯文本content字段会将页眉、页脚、正文内容合并返回，没有单独拆分，要提取独立的页眉页脚需要开启结构化解析配置，具体实现步骤如下：

1. 依赖安装 #

首先安装所需第三方库：

pip install tika beautifulsoup4 lxml

2. 实现代码 #

通过指定xmlContent=True参数让Tika返回带标签标记的XHTML结构化内容，再通过标签筛选页眉页脚：

import tika
from tika import parser
from bs4 import BeautifulSoup

# 初始化Tika虚拟机
tika.initVM()

file_name = "sample.pdf"
# 解析时开启XML内容返回，保留内容块的类型标记
parsed_result = parser.from_file(file_name, xmlContent=True)
xhtml_content = parsed_result["content"]

# 解析XHTML内容
soup = BeautifulSoup(xhtml_content, "lxml")

# 提取所有页眉内容
page_headers = [header.get_text(strip=True) for header in soup.find_all("div", class_="header")]
# 提取所有页脚内容
page_footers = [footer.get_text(strip=True) for footer in soup.find_all("div", class_="footer")]
# 提取正文内容
main_content = [page.get_text(strip=True) for page in soup.find_all("div", class_="page")]

# 输出结果
print("页眉列表：", page_headers)
print("页脚列表：", page_footers)

特殊情况处理 #

• 如果PDF本身没有结构化排版标记，Tika无法自动识别header/footer标签，可以开启坐标提取配置，根据文本块的位置判断页眉页脚：解析时传入extra_headers={'X-Tika-PDFExtractTextByPage': 'true', 'X-Tika-PDFSortByPosition': 'true'}，获取每页文本块的坐标，筛选页面顶部固定区域的内容为页眉，底部固定区域的内容为页脚。
• 如果提取的页眉页脚存在重复内容，可以自行对page_headers、page_footers列表做去重处理。

内容的提问来源于stack exchange，提问作者jothi prabu