質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.50%

  • Java

    13803questions

    Javaは、1995年にサン・マイクロシステムズが開発したプログラミング言語です。表記法はC言語に似ていますが、既存のプログラミング言語の短所を踏まえていちから設計されており、最初からオブジェクト指向性を備えてデザインされています。セキュリティ面が強力であることや、ネットワーク環境での利用に向いていることが特徴です。Javaで作られたソフトウェアは基本的にいかなるプラットフォームでも作動します。

  • XML

    653questions

    XMLは仕様の1つで、マークアップ言語群を構築するために使われています。

  • PDF

    251questions

    PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

JavaでPDFファイルをxml変換する

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 835

g_yasu

score 1

前提・実現したいこと

JavaでPDFファイルをXMLに変換したいです。
単純にXMLに変換し、出力したいのですが、使用するライブラリやコーディングがわかりません。

該当のソースコード

package tika;

import java.io.File;
import java.io.IOException;

import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;

public class tika {

    public static void main(String[] args) {
        try {
            //tikaインスタンスの生成
            Tika tika = new Tika();

            //コンソール出力
            System.out.println(tika.parseToString(new File("/xxx.pdf")));

        } catch (IOException e) {
            e.printStackTrace();
        } catch (TikaException e) {
            e.printStackTrace();
        }
    }
}

試したこと

Apache Tikaを使用してテキスト抽出はできたが、XMLにしたい。

補足

Javaはあまり使用したことがなく、今回初めて使用しているので基本的な質問ですみません。。。
よろしくお願いします。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • coco_bauer

    2017/09/05 11:19

    差し支えなければ、抽出できたテキストの全文を質問に追加してください。それと、作りたいXMLドキュメントの構造も追加してください。これらが判らないことには何も進みませんから。

    キャンセル

  • g_yasu

    2017/09/05 11:28

    返信ありがとうございます。その通りですね、しかしPDFは公開できない事情がありまして・・・。PDFの構造としては単純に、key,valueが並んで表になっています(ツールで出力されたファイルです)。それをXMLまたはHTMLの形式で抽出、変換できないかなと考えているところです。私が分かっていないだけなのですが、PDFをHTMLのようにタグをつけた状態のテキストに変換するには手間がかかるのでしょうか。

    キャンセル

回答 2

check解決した方法

0

tabulaというOSSを使用して解決することができました。
http://tabula.technology/

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

0

HTMLの形式で抽出、変換

という事で、外部のライブラリを使ってOKなら、PDF2domを使う手があります。
以下、サンプルコードです。

package com.mycompany.javamavenproject;

import java.io.IOException;
import java.io.PrintWriter;
import java.io.Writer;
import javax.xml.parsers.ParserConfigurationException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.fit.pdfdom.PDFDomTree;

/**
 * PDFファイルをHTMLに変換する
 * @author Motuo
 */
public class testJava {
    public static void main(String[] args) throws IOException, ParserConfigurationException{
        //PDFファイルを読込
        PDDocument pdf = PDDocument.load(new java.io.File("c:\\temp\\file.pdf"));
        //htmlとしてファイルを書き出し
        Writer output = new PrintWriter("c:\\temp\\file.html", "utf-8");
        new PDFDomTree().writeText(pdf, output);
        output.close();
    }
}

入力(PDF)

イメージ説明

出力結果(HTML)

イメージ説明

また、 Apache PDFBoxを使ってDOMの取得・操作も可能です

        PDFDomTree parser = new PDFDomTree();
        Document dom = parser.createDOM(pdf);
        Element root = dom.getDocumentElement();
        //ルート要素のノード名を取得する
        System.out.println("ノード名:" +root.getNodeName());
        //ルート要素の子ノードを取得する
        NodeList rootChildren = root.getChildNodes();
        System.out.println("子要素の数:" + rootChildren.getLength());

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/09/05 17:50 編集

    回答、コードありがとうございます!
    実行してみたところ、以下のエラーがでたのですが、なにか知見はお持ちでしょうか・・・

    Exception in thread "main" org.w3c.dom.ls.LSException: The character '' is an invalid XML character
    at com.sun.org.apache.xml.internal.serialize.DOMSerializerImpl.write(DOMSerializerImpl.java:854)
    at org.fit.pdfdom.PDFDomTree.writeText(PDFDomTree.java:195)
    at tika.pdf2dom.main(pdf2dom.java:20)
    Caused by: java.io.IOException: The character '' is an invalid XML character
    at com.sun.org.apache.xml.internal.serialize.BaseMarkupSerializer.fatalError(BaseMarkupSerializer.java:1954)
    at com.sun.org.apache.xml.internal.serialize.BaseMarkupSerializer.surrogates(BaseMarkupSerializer.java:1621)
    at com.sun.org.apache.xml.internal.serialize.XMLSerializer.printText(XMLSerializer.java:1311)
    at com.sun.org.apache.xml.internal.serialize.BaseMarkupSerializer.characters(BaseMarkupSerializer.java:1461)
    at com.sun.org.apache.xml.internal.serialize.BaseMarkupSerializer.serializeNode(BaseMarkupSerializer.java:1042)
    at com.sun.org.apache.xml.internal.serialize.XMLSerializer.serializeElement(XMLSerializer.java:1066)
    at com.sun.org.apache.xml.internal.serialize.BaseMarkupSerializer.serializeNode(BaseMarkupSerializer.java:1192)
    at com.sun.org.apache.xml.internal.serialize.XMLSerializer.serializeElement(XMLSerializer.java:1066)
    at com.sun.org.apache.xml.internal.serialize.BaseMarkupSerializer.serializeNode(BaseMarkupSerializer.java:1192)
    at com.sun.org.apache.xml.internal.serialize.XMLSerializer.serializeElement(XMLSerializer.java:1066)
    at com.sun.org.apache.xml.internal.serialize.BaseMarkupSerializer.serializeNode(BaseMarkupSerializer.java:1192)
    at com.sun.org.apache.xml.internal.serialize.BaseMarkupSerializer.serializeNode(BaseMarkupSerializer.java:1267)
    at com.sun.org.apache.xml.internal.serialize.BaseMarkupSerializer.serialize(BaseMarkupSerializer.java:470)
    at com.sun.org.apache.xml.internal.serialize.DOMSerializerImpl.write(DOMSerializerImpl.java:808)
    ... 2 more

    キャンセル

  • 2017/09/05 18:20 編集

    あまり情報の無い、シンプルなPDFを読み込んだ場合には同様のエラーが出ますか?
    その場合は、文字コード等が悪さをしているのかもしれません。

    もし、シンプルなPDFなら読める様であれば読込ませているデータに何らかの原因があると思いますが…

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.50%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る

  • Java

    13803questions

    Javaは、1995年にサン・マイクロシステムズが開発したプログラミング言語です。表記法はC言語に似ていますが、既存のプログラミング言語の短所を踏まえていちから設計されており、最初からオブジェクト指向性を備えてデザインされています。セキュリティ面が強力であることや、ネットワーク環境での利用に向いていることが特徴です。Javaで作られたソフトウェアは基本的にいかなるプラットフォームでも作動します。

  • XML

    653questions

    XMLは仕様の1つで、マークアップ言語群を構築するために使われています。

  • PDF

    251questions

    PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。