使用 Apache Tika 从 PDF 中提取图像

Question

Apache Tika 1.6 能够从 PDF 文档中提取内联图像。然而，我一直在努力让它发挥作用。

我的用例是我需要一些代码来从任何文档（不一定是 PDF）中提取内容并单独提取图像。然后，该数据被传递到 Apache UIMA 管道中。

我已经能够使用自定义解析器（基于 AutoParser 构建）从其他文档类型中提取图像，将文档转换为 HTML，然后单独保存图像。但当我尝试使用 PDF 时，标签甚至不会出现在 HTML 中，更不用说让我访问这些文件了。

有人可以建议我如何实现上述目标，最好提供一些如何使用 Tika 1.6 从 PDF 中进行内联图像提取的代码示例吗？

Answer 1

尝试下面的代码，ContentHandler 将包含您的 xml 内容。

public ContentHandler convertPdf(byte[] content, String path, String filename)throws IOException, SAXException, TikaException{           

    Metadata metadata = new Metadata();
    ParseContext context = new ParseContext();
    ContentHandler handler =   new ToXMLContentHandler();
    PDFParser parser = new PDFParser(); 

    PDFParserConfig config = new PDFParserConfig();
    config.setExtractInlineImages(true);
    config.setExtractUniqueInlineImagesOnly(true);

    parser.setPDFParserConfig(config);


    EmbeddedDocumentExtractor embeddedDocumentExtractor = 
            new EmbeddedDocumentExtractor() {
        @Override
        public boolean shouldParseEmbedded(Metadata metadata) {
            return true;
        }
        @Override
        public void parseEmbedded(InputStream stream, ContentHandler handler, Metadata metadata, boolean outputHtml)
                throws SAXException, IOException {
            Path outputFile = new File(path+metadata.get(Metadata.RESOURCE_NAME_KEY)).toPath();
            Files.copy(stream, outputFile);
        }
    };

    context.set(PDFParser.class, parser);
    context.set(EmbeddedDocumentExtractor.class,embeddedDocumentExtractor );

    try (InputStream stream = new ByteArrayInputStream(content)) {
        parser.parse(stream, handler, metadata, context);
    }

    return handler;
}