如何使用xdmp:document-filter提取PDF页数及MP3等文件元数据

PDF、Word文档页数提取问题 #

xdmp:document-filter没有可直接获取PDF、Word文档页数的隐藏配置项，该函数默认仅对PPT文档的幻灯片数量做了内置提取。你可以通过以下两种方案实现需求：

• 如果你使用的是MarkLogic 10及以上版本，可直接调用对应专属函数读取：
  • PDF文档使用xdmp:pdf-box-info函数，返回结果中直接包含page-count字段即可获取页数
  • Word文档使用xdmp:office-document-properties函数，返回的属性集合中包含标准的文档页数字段
• 如果你使用的是更低版本的MarkLogic，可先通过xdmp:document-filter获取文档转换后的完整XHTML内容，统计分页标签数量得到页数：
  • PDF转换后的XHTML中，每一页内容会被包裹在class="page"属性的div标签中，统计该标签的总数即可得到准确页数
  • Word转换后的XHTML也有对应的分页标记，通过属性匹配统计即可得到页数

音频文件元数据提取问题 #

该需求可以实现，你可以使用xdmp:binary-metadata函数直接读取MP3等常见音频格式的元数据，默认会返回音频时长（秒）、声道类型、采样率、比特率等标准音频属性，可直接提取对应字段值使用。如果有自定义的特殊音频元数据字段，也可通过配置自定义元数据提取规则补充获取。

内容的提问来源于stack exchange，提问作者jfix