Tika不输出文档内容

Question

我正试图按照他们网站上的教程使用Tika从pdf文件中提取文本，但我只得到了25k行文本，看起来像这样。

%PDF-1.5%目标

我在尝试时也会得到同样的东西。docx格式，但它可以很好地与。txt。有人知道我做错了什么吗？

BodyContentHandler handler = new BodyContentHandler(-1);

      Metadata metadata = new Metadata();
      FileInputStream inputstream = new FileInputStream(new File("fake.pdf"));
      ParseContext pcontext=new ParseContext();

      //Text document parser
      TXTParser  TexTParser = new TXTParser();

      TexTParser.parse(inputstream, handler, metadata,pcontext);
      System.out.println("Contents of the document:" + handler.toString());

Answer 1

刚刚意识到我使用的是TXTParser而不是AutoDetectParser。是否有人可以关闭或删除此问题？

Answer 2

问题似乎是您正在尝试使用TXTParser来解析PDF文档。PDF代表Portable Document Format，其中包括文件中的二进制数据。

幸运的是，Apache Tika附带了一个包装器，可以自动检测您试图解析的文件的格式。

请尝试Tika文档中的以下示例：

public String parseExample() throws IOException, SAXException, TikaException {
    AutoDetectParser parser = new AutoDetectParser();
    BodyContentHandler handler = new BodyContentHandler();
    Metadata metadata = new Metadata();
    try (InputStream stream = ParsingExample.class.getResourceAsStream("test.pdf")) {
        parser.parse(stream, handler, metadata);
        return handler.toString();
    }
}