JavaでPDFファイルをxml変換する

Question

###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。

Comments

[coco_bauer]

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。

[g_yasu]

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。

Answer 1

Spire PDF for javaとSpire doc for javaいうライブラリで解決できる。

使用順は下のまま：

まずSpire PDF for javaでPDFファイルをWordに変換。

その後Spire doc for javaでWordファイルをXMLに変換。

Answer 2

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/

Answer 3

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)

出力結果(HTML)

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());

Comments

[g_yasu]

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

[motuo]

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…