在java中使用Apache Tika从pdf文件中提取文本

Question

try {
      File file = new File("Example.pdf");
      String content = new Tika().parseToString(file);
      System.out.println("The Content: " + content);
    } catch (Exception e) {
       e.printStackTrace();
    }

我已经导入java.io.File并导入了org.apache.tika.Tika；但在运行此代码时，我收到如下错误：

线程“main”中的异常 java.lang.NoSuchMethodError: org.slf4j.spi.LocationAwareLogger.log(Lorg/slf4j/Marker;Ljava/lang/String;ILjava/lang/String;Ljava/lang/Throwable;)V at org .apache.commons.logging.impl.SLF4JLocationAwareLog.warn(SLF4JLocationAwareLog.java:162) 在 org.apache.pdfbox.pdmodel.font.FileSystemFontProvider.loadDiskCache(FileSystemFontProvider.java:461) 在 org.apache.pdfbox.pdmodel.font .FileSystemFontProvider.(FileSystemFontProvider.java:217) 在 org.apache.pdfbox.pdmodel.font.FontMapperImpl$DefaultFontProvider.(FontMapperImpl.java:130) 在 org.apache.pdfbox.pdmodel.font.FontMapperImpl.getProvider(FontMapperImpl.java ：149）在org.apache.pdfbox.pdmodel.font.FontMapperImpl.findFont（FontMapperImpl.java:413）在org.apache.pdfbox.pdmodel.font.FontMapperImpl.findFontBoxFont（FontMapperImpl.java:376）在org.apache。 pdfbox.pdmodel.font.FontMapperImpl.getFontBoxFont（FontMapperImpl.java:350）在org.apache.pdfbox.pdmodel.font.PDType1Font。（PDType1Font.java:146）在org.apache.pdfbox.pdmodel.font.PDType1Font。（ PDType1Font.java:79) 在 org.apache.pdfbox.pdmodel.font.PDFontFactory.createFont(PDFontFactory.java:62) 在 org.apache.pdfbox.pdmodel.PDResources.getFont(PDResources.java:143) 在 org.apache .pdfbox.contentstream.operator.text.SetFontAndSize.process(SetFontAndSize.java:60) 在 org.apache.pdfbox.contentstream.PDFStreamEngine.processOperator(PDFStreamEngine.java:838) 在 org.apache.pdfbox.contentstream.PDFStreamEngine.processStreamOperators （PDFStreamEngine.java：495）在org.apache.pdfbox.contentstream.PDFStreamEngine.processStream（PDFStreamEngine.java：469）在org.apache.pdfbox.contentstream.PDFStreamEngine.processPage（PDFStreamEngine.java：150）在org.apache。 pdfbox.text.LegacyPDFStreamEngine.processPage(LegacyPDFStreamEngine.java:139) 在 org.apache.pdfbox.text.PDFTextStripper.processPage(PDFTextStripper.java:391) 在 org.apache.tika.parser.pdf.PDF2XHTML.processPage(PDF2XHTML. java：147）在org.apache.pdfbox.text.PDFTextStripper.processPages（PDFTextStripper.java：319）在org.apache.pdfbox.text.PDFTextStripper.writeText（PDFTextStripper.java：266）在org.apache.tika.parser .pdf.PDF2XHTML.process(PDF2XHTML.java:117) 在 org.apache.tika.parser.pdf.PDFParser.parse(PDFParser.java:167) 在 org.apache.tika.parser.CompositeParser.parse(CompositeParser.java ：280）在org.apache.tika.parser.CompositeParser.parse（CompositeParser.java:280）在org.apache.tika.parser.AutoDetectParser.parse（AutoDetectParser.java:135）在org.apache.tika.Tika。 parseToString(Tika.java:527) 在 org.apache.tika.Tika.parseToString(Tika.java:642) 在 java_programs.PdfParse.main(PdfParse.java:22)

Answer 1

以下似乎对我有用。我得到了我想要的字符串，但我也在控制台中打印了一些警告。

[在 Windows 上] 我像这样编译并运行它：

javac -cp .;tika-app-1.16.jar Test.java

java -cp .;tika-app-1.16.jar Test

你用的是什么提卡罐？我添加了另一种方法 ( tikaPdfTest()) 来展示从 PDF 获取文本的不同方式，这可能会对您有所帮助。

import java.io.File;
import org.apache.tika.Tika;

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.pdf.PDFParser;
import org.apache.tika.sax.BodyContentHandler;
import org.apache.tika.Tika;

import org.xml.sax.SAXException;

public class Test {
    public static void main(final String[] args) {
        //Your way
        try {
            File file = new File("Example.pdf");
            String content = new Tika().parseToString(file);
            System.out.println("The Content: " + content);
        } catch (final Exception e) {
            e.printStackTrace();
        }

        //Another way
        try {
            System.out.println("The contents:\t[" + Test.tikaPdfTest("Example.pdf") + "]");
        } catch (final Exception e) {
            e.printStackTrace();
        }
    }

    public static String tikaPdfTest(final String fileName) throws IOException, SAXException, TikaException {
        try(final FileInputStream inputstream = new FileInputStream(new File(fileName))) {
            final BodyContentHandler handler = new BodyContentHandler();
            new PDFParser().parse(inputstream, handler, new Metadata(), new ParseContext());
            return handler.toString().trim();
        }
    }
}