Image 使用ApacheTika从PDF中提取图像

ApacheTika 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）中提取内容和单独的图像。然后将其传递到ApacheUIMA管道中

我已经能够从其他文档类型中提取图像，方法是使用自定义解析器（构建在自动解析器上）将文档转换为HTML，然后单独保存图像。但是，当我尝试使用PDF时，这些标记甚至不会出现在HTML中，更不用说让我访问这些文件了

---

是否有人可以建议我如何实现上述目标，最好是提供一些代码示例，说明如何使用Tika 1.6从PDF中进行内联图像提取？

试试下面的代码，ContentHandler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;
}

---

可以使用

AutoDetectParser

提取图像，而不依赖

PDFParser

。这段代码同样适用于从docx、pptx等文件中提取图像

这里我有一个

parseDocument（）

和一个

setPdfConfig（）

函数，它使用了一个

AutoDetectParser

我创建了一个

AutoDetectParser

将

EmbeddedDocumentExtractor

附加到

ParseContext

上

将

AutoDetectParser

附加到相同的

ParseContext

上

将

PDFParserConfig

附加到相同的

ParseContext

上

然后将

ParseContext

赋予

AutoDetectParser.parse（）

图像将保存到与源文件位于同一位置的文件夹中，名称为

\uu/

private static void setPdfConfig（ParseContext上下文）{
PDFParserConfig pdfConfig=新的PDFParserConfig（）；
pdfConfig.setExtractInlineImages（true）；
pdfConfig.setExtractUniqueInlineImagesOnly（true）；
set（PDFParserConfig.class，pdfConfig）；
}
私有静态字符串解析文档（字符串路径）{
字符串xhtmlContents=“”；
AutoDetectParser=新的AutoDetectParser（）；
ContentHandler=new-ToXMLContentHandler（）；
元数据=新元数据（）；
ParseContext=新的ParseContext（）；
EmbeddedDocumentExtractor EmbeddedDocumentExtractor=
新的EmbeddedDocumentExtractor（）{
@凌驾
公共布尔值shouldParseEmbedded（元数据）{
返回true；
}
@凌驾
public void parseEmbedded（InputStream流、ContentHandler处理程序、元数据、布尔outputHtml）
抛出SAXException，IOException{
Path outputDir=新文件（路径+“”）.toPath（）；
Files.createDirectories（outputDir）；
Path outputPath=新文件（outputDir.toString（）+“/”+metadata.get（metadata.RESOURCE_NAME_KEY））.toPath（）；
Files.deleteIfExists（outputPath）；
复制（流、输出路径）；
}
};
set（EmbeddedDocumentExtractor.class，EmbeddedDocumentExtractor）；
set（AutoDetectParser.class，解析器）；
setPdfConfig（上下文）；
try（InputStream=新文件InputStream（路径））{
parser.parse（流、处理程序、元数据、上下文）；
xhtmlContents=handler.toString（）；
}捕获（IOE异常）{
e、 printStackTrace（）；
}捕获（SAXException | TIKAE异常）{
e、 printStackTrace（）；
}
返回XHTML内容；
}

和都在1.6中标记为已修复，你确定你真的在使用Tika 1.6吗？假设网站上标记为1.6的Tika-app-1.6.jar实际上是Tika 1.6，那么我确定！您正在使用带有--extract标志的Tika应用程序来测试图像提取？我尝试以编程方式进行，但我尝试了--extract标志并使用GUI，但没有成功地使用这两种方法找到文档中的图像。听起来您需要跳到其中一个错误上，并指出它没有被正确修复。我想你指的是指定AutoParser.class的AutoDetectParser.class？@dnuttle fixed！我已经在一些PDF上使用了您的解决方案。一方面，它找到了两个图像并保存了它们。另一方面，它只保存了十幅图像中的一幅。陌生人，这不是文件中出现的第一个。你对可能发生的事有什么想法吗？在这种情况下，对parseEmbedded的调用只发生一次。@dnuttle如果将此行设置为false，是否有帮助

pdfConfig.setExtractUniqueInlineImagesOnly（true）谢谢；是的。这没用。（我修改了很多配置设置。）由于我们无法确定的原因，某些PDF会导致各种问题，这就是其中之一。（最大的问题是提取图像需要花费大量的时间。）我们正在努力解决这个问题。我认为原因是JAIAPI中的某个地方，它太低了以至于无法考虑进去。但是谢谢你上面的代码和你的回复。