python - 如何在 python(2.7) 中使用 Tika 包(https ://github. com/chrismattmann/tika-python)来解析 PDF 文件？

Question

我正在尝试解析一些包含工程图纸的 PDF 文件以获取文件中的文本数据。我尝试将 TIKA 用作 python 的 jar，并将其与 jnius 包一起使用(在此处使用本教程: http://www.hackzine.org/using-apache-tika-from-python-with-jnius.html ) 但代码会引发错误。

然而，使用 TIKA 包我能够传递文件并解析它们，但 Python 只能提取元数据，当被要求解析内容时，Python 返回输出“无”。它能够完美解析 .txt 文件，但无法提取 PDF 的内容。这是代码

import tika
tika.initVM()
from tika import parser
parsed = parser.from_file('/path/to/file')
print parsed["metadata"]
print parsed["content"]

我是否需要额外的包/代码线才能提取数据？

Answer 1

您需要先下载 Tika Server Jar 并运行它。检查此链接:http://wiki.apache.org/tika/TikaJAXRS

1. 下载 jar
2. 将其存储在某处并以 java -jar tika-server-x.x.jar --port xxxx
运行
3. 在您的代码中，您现在不需要执行 tika.initVM() 添加 tika.TikaClientOnly = True 而不是 tika.initVM()
4. 将 parsed = parser.from_file('/path/to/file') 更改为parsed = parser.from_file('/path/to/file', '/path/to/server') 您将在第 2 步中获得服务器路径。当 tika 服务器启动时 - 只需插入在这里

祝你好运!