Extraire métadonnées (intégrées dans un XML) d'un fichier PDF

**mikaknight** · 05/10/2012, 11h00

Bonjour à tous,

je me permets de vous demander de l'aide car cela fait depuis plusieurs jours que je cherche une solution, mais sans y arriver.
Donc voilà, je bosse en ce moment sur un projet qui consiste à extraire les métadonnées de PDF pour les intégrer dans une base de données.

Les métadonnées sont présents en XML qui ait lui même intégrer dans les fichiers PDF.

Le problème étant qu'Adobe n'a pas fait les choses simples et les XML contenues dans les PDF sont une vraie plaie.

Enfin voici un exemple d'XML que j'ai extrais:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
<?xpacket begin="?" id="W5M0MpCehiHzreSzNTczkc9d"?>
<x:xmpmeta xmlns:x="adobe:ns:meta/" x:xmptk="Adobe XMP Core 5.2-c001 63.139439, 2010/09/27-13:37:26        ">
   <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#">
      <rdf:Description rdf:about=""
            xmlns:xmp="http://ns.adobe.com/xap/1.0/">
         <xmp:CreateDate>2011-12-19T16:38:21+01:00</xmp:CreateDate>
         <xmp:ModifyDate>2011-12-19T16:44:21+01:00</xmp:ModifyDate>
         <xmp:MetadataDate>2011-12-19T16:44:21+01:00</xmp:MetadataDate>
      </rdf:Description>
      <rdf:Description rdf:about=""
            xmlns:pdf="http://ns.adobe.com/pdf/1.3/">
         <pdf:Producer>doPDF Ver 7.2 Build 370 (Windows XP Professional Edition  (SP 3) - Version: 5.1.2600 (x86))</pdf:Producer>
      </rdf:Description>
      <rdf:Description rdf:about=""
            xmlns:dc="http://purl.org/dc/elements/1.1/">
         <dc:identifier>RAPPORT0001</dc:identifier>
         <dc:source>56</dc:source>
         <dc:coverage>Trédion</dc:coverage>
         <dc:format>application/pdf</dc:format>
         <dc:title>
            <rdf:Alt>
               <rdf:li xml:lang="x-default">Ceci est le nom de mon rapport</rdf:li>
            </rdf:Alt>
         </dc:title>
         <dc:publisher>
            <rdf:Bag>
               <rdf:li>Nom de l'entreprise</rdf:li>
            </rdf:Bag>
         </dc:publisher>
         <dc:date>
            <rdf:Seq>
               <rdf:li>2011</rdf:li>
            </rdf:Seq>
         </dc:date>
         <dc:creator>
            <rdf:Seq>
               <rdf:li>Dupont Luc</rdf:li>
            </rdf:Seq>
         </dc:creator>
         <dc:rights>
            <rdf:Alt>
               <rdf:li xml:lang="x-default">Publiable</rdf:li>
            </rdf:Alt>
         </dc:rights>
         <dc:description>
            <rdf:Alt>
               <rdf:li xml:lang="x-default">Type d'opération</rdf:li>
            </rdf:Alt>
         </dc:description>
      </rdf:Description>
      <rdf:Description rdf:about=""
            xmlns:dex="http://ns.optimasc.com/dex/1.0/">
         <dex:licensetype>unknown</dex:licensetype>
         <dex:ffid>000000001-60-0015930</dex:ffid>
      </rdf:Description>
      <rdf:Description rdf:about=""
            xmlns:illustrator="http://ns.adobe.com/illustrator/1.0/">
         <illustrator:StartupProfile>Print</illustrator:StartupProfile>
      </rdf:Description>
      <rdf:Description rdf:about=""
            xmlns:xmpMM="http://ns.adobe.com/xap/1.0/mm/">
         <xmpMM:DocumentID>uuid:ba35b60b-e3bb-494d-94e9-436b5a60ce6b</xmpMM:DocumentID>
         <xmpMM:InstanceID>uuid:9ac3b895-bd69-4145-ad3b-b510126ad3af</xmpMM:InstanceID>
      </rdf:Description>
   </rdf:RDF>
</x:xmpmeta>            
<?xpacket end="w"?>

Donc je voudrais récupérer les données contenues dans les balises suivantes:
- "RAPPORT0001" qui se trouve dans la balise = dc:identifier

- "56" qui se trouve dans = dc:source

- "Trédion" qui se trouve dans = dc:coverage

- "Ceci est le nom de mon rapport" qui se trouve dans = dc:title et dans le sous-élément rdf:Alt

- "2011" qui se trouve dans = dc:date et dans le sous-élément rdf:Seq et rdf:li

- "Dupont Luc" = dc:creator et dans le sous-élément rdf:Seq et rdf:li

- "Publiable" = dc:rights et dans le sous-élément rdf:Alt et rdf;li

- et enfin "Type d'opération" qui se trouve dans dc:description et rdf:Alt

**mikaknight** · 05/10/2012, 11h21

Bon, j'avais déjà commencé à écrire un code avec DOM :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
public static void lectureMetadataXML(String metadonneesXML) throws ParserConfigurationException, SAXException, IOException {
 
        DocumentBuilderFactory usineParseurXml;
        DocumentBuilder parseurXml;
 
        Document documentXML;
        Element racine;
        NodeList listeXml;
        Node enfantXml;
 
//-----------------Création de l'usine à parseurXml--------------------------
        usineParseurXml = DocumentBuilderFactory.newInstance();
        usineParseurXml.setIgnoringComments(true);
        usineParseurXml.setIgnoringElementContentWhitespace(true);
        // vérification de la présence d'un fichier DTD
      //  usineParseurXml.setValidating(true);
 
//-----Création du parseur et association au gestionnaire d'erreur-----------
        parseurXml = usineParseurXml.newDocumentBuilder();
        parseurXml.setErrorHandler(new ErreurDtd());
 
//--------------Conversion des données reçues en Document--------------------
        documentXML = parseurXml.parse(new InputSource(new StringReader(metadonneesXML)));
 
//----Récupération de l'élément racine de l'arbre et affichage de son nom----
        racine = documentXML.getDocumentElement();
        System.out.println("Nom de la racine : " + racine.getNodeName());
 
//----------------Récupération des enfants de la racine----------------------
      listeXml = racine.getElementsByTagNameNS("http://purl.org/dc/elements/1.1/", "dc:identifier");
 
      listeXml = racine.getChildNodes();
 
      for (int i = 0; i < listeXml.getLength(); i++)
      {
         enfantXml = listeXml.item(i);
 
         System.out.println("Nom :   " + enfantXml.getNodeName());
 
         for(int j=0; j <enfantXml.getChildNodes().getLength(); j++)
         {
            String nomEnfant;
            nomEnfant = enfantXml.getChildNodes().item(j).getTextContent();
            System.out.println("ChildNodes : " +nomEnfant);
         }
   }
 
}

Je voulais faire un if sur le nom de la balise afin récupérer les données. exemple:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
 
if(balise.equals()=="dc:identifier")
{
//traitement
}

Mais je n'arrive pas à récupérer le nom de la balise.

Donc, au final, j'ai tout repris à zéro et je suis partis sur du JDOM, mais je suis autant perdu.

**thelvin** · 05/10/2012, 11h56

Ce sera effectivement bien plus simple avec JDOM.
Mais vu que les données sont perdues assez profond dans la hiérarchie de balises, et qu'il y a des namespaces, ça reste assez compliqué.

Voici un exemple qui va chercher ta balise <dc:identifier> sans se soucier de là où elle se trouve :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
public static void lectureMetadataXML(String metadonneesXML) throws JDOMException, IOException {
  SAXBuilder saxBuilder = new SAXBuilder();
  Document document = saxBuilder.build(new StringReader(metadonneesXML));
 
  // tiré de xmlns:dc
  Namespace namespaceDc = Namespace.getNamespace("dc", "http://purl.org/dc/elements/1.1/");
 
  Element identifierElt = document.getDescendants(Filters.element("identifier", namespaceDc)).next();
  String identifier = identifierElt.getText();
  System.out.println(identifier);
}

Toute l'astuce est de chercher n'importe quelle balise 'identifier' dans le namespace 'dc' et compter sur le fait qu'il n'y en a qu'une, autrement dit, que la première est la bonne.

C'est ça l'idée de getDescendants(), auquel on demande de filtrer ce qu'il trouve, et de ne garder que les balises 'identifier' dans le namespace 'dc'.
On appelle next() pour prendre le premier résultat, et puis on s'arrête là.

Cela nous a donné un Element, la balise <dc:identifier>. Ce qui nous intéresse c'est son contenu texte, donc getText(). Voilà, problème résolu en trois lignes.

**mikaknight** · 05/10/2012, 13h39

merci beaucoup @thelvin, j'essaye ça

**mikaknight** · 05/10/2012, 14h16

Ca marche

merci pour ton aide et tes explications claires.

Par contre, j'ai un autre problème.
Je veux maintenant pouvoir lire les métadonnées qui sont encore plus profonds dans la hiérarchie comme par exemple : "Ceci est le nom de mon rapport" qui se te trouve dans la balise rdf:li, elle-même contenu dans rdf:Alt et elle-même contenu dans dc:title.

Il y a t'il un moyen plus simple que ceci?

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
      Element titleElt = document.getDescendants(Filters.element("title", namespaceDc)).next();
      List listeTitleElt = titleElt.getChildren();
      Iterator iterator1 = listeTitleElt.iterator();
      while(iterator1.hasNext())
      {
          Element courant = (Element)iterator1.next();
 
          //On affiche le nom de l'element courant        
          List listEnfant = courant.getChildren();
          Iterator iterator2 = listEnfant.iterator();
          while(iterator2.hasNext())
          {
              Element courant2 = (Element)iterator2.next();
              String courant2XML = courant2.getText();
              System.out.println(courant2XML);
          }       
     }

EDIT : Enfin pas grave, je laisse la boucle sur les Iterators pour les données présentes encore plus profondément dans la hiérarchie, le principal est que ça marche.
Encore merci à thelvin, sans lui je serais en train de galérer.

Je mets le sujet en résolu.

**thelvin** · 05/10/2012, 16h03

Tu pouvais quand même faire :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
Element containerElt = titleElt.getChildren().get(0);
String title = containerElt.getChildren().get(0).getText();

En gros, getChildren().get(0) permet de prendre le premier élément fils. Pratique.

En réalité, il faudrait peut-être gérer mieux que ça, parce que les élément <rdf:Alt> et <rdf:li> ne sont pas censés être obligatoires, et il faut savoir quoi faire quand ils ne sont pas là. Dans le même genre, le principe de <rdf:li> c'est qu'il devrait y en avoir plusieurs, est-ce qu'on est vraiment censé ne prendre que le premier quand il y en a vraiment plusieurs ? Bref, des questions d'intégration.

**mikaknight** · 05/10/2012, 21h34

OK, mais j'ai vérifié avec plusieurs PDF et les métadonnées sont toujours placées de la même façon donc il ne devrait pas avoir de soucis.

Le truc aussi c'est que je n'ai plus beaucoup de temps à consacrer à la partie extraction des métadonnées, j'ai d'autres parties du programme à finir.

Merci beaucoup en tout cas.

Extraire métadonnées (intégrées dans un XML) d'un fichier PDF [JDOM]

Format d'échange (XML, JSON...) Java

Discussions similaires

Partager

Partager