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

我试图解析一些包含工程图纸的PDF文件，以获取文件中的文本数据。我尝试将TIKA用作python的jar，并将其用于jnius包（在这里使用本教程： )但是代码抛出了一个错误

然而，使用TIKA包，我能够传递文件并解析它们，但是Python只能提取元数据，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。这是密码

import tika
tika.initVM()
from tika import parser
parsed = parser.from_file('/path/to/file')
print parsed["metadata"]
print parsed["content"]

---

我是否需要额外的软件包/代码行才能提取数据？

能否请您共享您正在查看的文件？最简单的方法是将它附加到我的存储库中的Github问题上，等等

也就是说，如果您试图使用OCR和Tika，则需要运行Tika OCR指南（）并安装Tesseract。安装Tesseract后，您需要再次检查tika服务器的实例是否正在运行（例如，ps aux | grep tika）。如果您这样做了，就杀死它（tika python在后台运行tika REST服务器，作为其与tika的主界面；在安装Tesseract OCR后，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，在不运行tika服务器的情况下，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

嗯！

---

--Chris

我从未尝试过python tikq，但pyjnius对我来说很好。这是我的密码：

def parse_file(filename):
   """
   Import TIKA classes and parse input filename
   """

   import os
   os.environ['CLASSPATH'] = "/path/to/tika-app.jar"
   from jnius import autoclass
   from jnius import JavaException

   # Import the Java classes 
   Tika = autoclass('org.apache.tika.Tika')
   Metadata = autoclass('org.apache.tika.metadata.Metadata')
   FileInputStream = autoclass('java.io.FileInputStream')

   tika = Tika()
   tika.setMaxStringLength(10*1024*1024);
   meta = Metadata()

   # Raise an exception and continue if parsing fails
   try:
       text = tika.parseToString(FileInputStream(filename), meta)
       return text
   except (JavaException,UnicodeDecodeError), e:
       print "ERROR: %s" % (e)
   return None

---

您需要下载Tika服务器Jar并首先运行它。检查此链接：

下载Jar

将其存储在某个位置，并作为

java-jar tika-server-x.x.jar--port xxxx运行

在代码中，现在不需要执行tika.initVM（）Addtika.TikaClientOnly=True而不是tika.initVM（）

将

parsed=parser.from_file（'/path/to/file'）

更改为

parsed=parser。从_文件（'/path/to/file'，'/path/to/server'）

您将在步骤2中获得服务器路径。当tika服务器启动时，只需在此处插入即可

---

祝你好运

Chris Mattmann给出的解决方案是正确的。不过，我想补充几点意见。使用以下代码段将读取的PDF文件写入文本文件。使用适当的编码来支持UTF-8（例如，中文/日文字符）

---

使用以下pip命令安装tika：

pip install tika

以下代码适用于提取数据：

import io
import os
from tika import parser

def extract_text(file):
    parsed = parser.from_file(file)
    parsed_text = parsed['content']
    parsed_text = parsed_text.lower()
    return parsed_text

file_name_with_extension = input("Enter File Name:")
text = extract_text(file_name_with_extension)
print(text)

它将只打印文件的内容。

---

支持的文件格式已列出。

您的PDF中确实有文本吗？计算机是哑的。对于你、我和其他人来说，看起来像文本的东西可能只是计算机上的几行随机线。PDF中存在的文本已被扫描进来，而不是作为实际字符存在。本质上，这只是一个典型工程图纸上包含的标签（非常类似于此：）我需要能够提取示例图像中包含的标签数据、描述表和注释，然后您不能使用通用文本提取器；您必须在此处使用OCR（光学字符识别）。注意：我尝试传递仅包含文本的pdf，甚至转换为.pdf的.doc文件，但代码仍然返回“无”作为注释输出。所以我想知道包本身是否有问题，需要其他依赖项才能正常工作？如果安装了正确的工具，ApacheTika支持OCR'ing文本。你知道吗？这个解决方案有效。我想再给你一点提示。请使用命令pip install tika=1.19使用tika版本1.19。在使用新版本（1.22）时，我遇到了以下问题。callServer encodedData.close（）中第546行的文件“C:\Python36\lib\site packages\tika\tika.py”关闭文件读取数据属性错误：“bytes”对象没有属性“close”

import io
import os
from tika import parser

def extract_text(file):
    parsed = parser.from_file(file)
    parsed_text = parsed['content']
    parsed_text = parsed_text.lower()
    return parsed_text

file_name_with_extension = input("Enter File Name:")
text = extract_text(file_name_with_extension)
print(text)