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），但代码引发错误。

然而，使用TIKA包，我能够传递文件并解析它们，但是Python只能提取元数据，当要求解析内容时，Python返回输出“none”。它能够完美地解析。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"]

我是否需要其他包/代码行才能提取数据？

Answer 1

我从未尝试过python tikq，但pyjnius对我来说很好。下面是我的代码：

def parse_file(filename):
   """
   Import TIKA classes and parse input filename
   """

   import os
   os.environ['CLASSPATH'] = "/path/to/tika-app.jar"
   from jnius import autoclass
   from jnius import JavaException

   # Import the Java classes 
   Tika = autoclass('org.apache.tika.Tika')
   Metadata = autoclass('org.apache.tika.metadata.Metadata')
   FileInputStream = autoclass('java.io.FileInputStream')

   tika = Tika()
   tika.setMaxStringLength(10*1024*1024);
   meta = Metadata()

   # Raise an exception and continue if parsing fails
   try:
       text = tika.parseToString(FileInputStream(filename), meta)
       return text
   except (JavaException,UnicodeDecodeError), e:
       print "ERROR: %s" % (e)
   return None

Answer 2

您能分享您正在查看的文件吗？最简单的方法是将其附加到我的存储库中的Github问题等。

也就是说，如果您尝试使用 OCR 和 Tika，则需要通读 Tika OCR 指南（http://wiki.apache.org/tika/TikaOCR）并安装 Tesseract。一旦安装了Tesseract，那么你需要仔细检查你是否有一个正在运行的tika-server实例（例如，ps aux | grep tika）。如果你这样做了，就杀死它（tika-python在后台运行Tika REST服务器作为它与Tika的主界面;在安装Tesseract OCR后有一个全新的运行版本有助于消除任何奇怪的可能性）。

安装了Tesseract OCR之后，在没有tika-server运行的情况下，启动python2.7解释器(或脚本)，然后执行如下操作:

from tika import parser
parsed = parser.from_file('/path/to/file')
print parsed["content"] # should be the text returned from OCR

HTH！克里斯

Answer 3

您需要下载Tika Server Jar并首先运行它。检查此链接：http://wiki.apache.org/tika/TikaJAXRS

1. 下载罐
子
2. 将其存储在某个地方并作为java -jar tika-server-x.x运行.jar--port xxxx
3. 在你的代码中，你现在不需要做tika.initVM（）添加tika。TikaClientOnly = True 而不是 tika.initVM（）
将解析 = parser.from_file（'/路径/到/文件'）
4. 更改为解析 = parser.from_file（'/路径/到/文件'， '/路径/到/服务器'） 您将在步骤 2 中获取服务器路径。 当 Tika 服务器启动时 - 只需将其插入此处

祝你好运