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

Question

我正在尝试解析一些包含工程图的PDF文件，以获取文件中的文本数据。我尝试将TIKA用作python罐子，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），但是代码抛出错误。

但是，使用TIKA包，我可以传递文件并解析它们，但是Python只能提取元数据，并且当要求解析内容时，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"]

我是否需要其他程序包/代码行才能提取数据？

Answer 1

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. 将其存储在某处并以 java -jar tika-server-x.x.jar --port xxxx
3. 在你的代码现在不需要做tika.initVM()添加tika.TikaClientOnly = True，而不是tika.initVM()
4. 更改parsed = parser.from_file('/path/to/file')为 parsed = parser.from_file('/path/to/file', '/path/to/server')您将在步骤2中获得服务器路径。启动tika服务器时-只需将其插入此处即可

祝好运！

Answer 2

你能分享一下你正在看的文件吗？最简单的方法是将它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，则需要运行 Tika OCR 指南 ( http://wiki.apache.org/tika/TikaOCR ) 并安装 Tesseract。安装 Tesseract 后，您需要仔细检查是否有 tika-server 正在运行的实例（例如，ps aux | grep tika）。如果你这样做了，杀死它（tika-python 在后台运行 Tika REST 服务器作为它与 Tika 的主要接口；在安装 Tesseract OCR 后拥有一个新的运行版本有助于消除任何奇怪的可能性）。

安装 Tesseract OCR 后，没有 tika-server 运行，启动 python2.7 解释器（或脚本），然后执行以下操作：

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

哼！ - 克里斯