无法使用tika从pdf文件中提取文本内容
Tika是一个开源的Java库，用于从各种文件格式中提取文本内容。然而，由于PDF文件的复杂性，有时候使用Tika提取文本内容可能会遇到问题。以下是一些可能导致无法使用Tika从PDF文件中提取文本内容的原因和解决方法：
- PDF文件加密：如果PDF文件被加密，Tika可能无法解密并提取文本内容。解决方法是使用相应的解密工具或密码来解密PDF文件，然后再使用Tika进行提取。
- 图像或扫描PDF：如果PDF文件是由图像或扫描生成的，其中的文本信息并不是真正的文本，而是图像。Tika无法直接提取这些图像中的文本内容。解决方法是使用OCR（光学字符识别）技术，将图像转换为可编辑的文本，然后再使用Tika进行提取。
- PDF文件损坏：如果PDF文件损坏或格式不正确，Tika可能无法正确解析文件并提取文本内容。解决方法是修复或重新生成PDF文件，确保其格式正确无误。
- Tika版本问题：某些Tika版本可能存在一些问题，导致无法正确提取PDF文件中的文本内容。解决方法是升级到最新的Tika版本，或尝试使用其他PDF解析库。
综上所述，如果无法使用Tika从PDF文件中提取文本内容，可能是由于文件加密、图像或扫描PDF、文件损坏或Tika版本等原因导致的。根据具体情况，可以采取相应的解决方法来解决这些问题。
相关·内容
我试图从一个大型pdf (未扫描/光栅化pdf)文件中使用apache提取文本。
但在提取文本时，我比较原始(从pdf)和提取的文本，我发现，大量的文本内容是缺失的。我已经尝试使用setMaxStringLength(-1)和BodyContentHandler(-1)来最大化输出。但仍然无法从pdf文件中提取全文内容。
下面是我试过的两个样品。
样本:1
public class Extract
{
public static void main( String[] args ) throws IOException, SAXException, TikaException
浏览 1提问于2016-11-14得票数 0
回答已采纳
我正在尝试从pdf文件中提取文本。但在某些情况下，pdf文件是硬文档的扫描副本。
有没有办法可以找出给定的pdf文件是扫描过的文件还是普通的pdf文件？
浏览 1提问于2017-02-11得票数 0
我在python应用程序中使用tika从文档中提取文本。一切正常，但它不是从pdf文件中提取的图像。Tika可以从pdf和图像中提取文本，但不能从包含图像的pdf中提取文本。我有点困惑。有没有办法做到这一点？是否需要将PDF文件转换为图像？
浏览 3提问于2018-10-11得票数 1
我使用TIKA和Tesseract从包含扫描图像的pdf文件中提取OCR文本。我已经设法用ResursiveParserWrapper而不是解析器解析包含图像的pdf文档，它工作得很好，但是客户端希望在其他地方完成与Tesseract OCR相关的所有配置，并使用现有代码从所有支持的格式中提取OCR文本。
现有的代码使用简单解析器来提取数据。谁能帮我解释一下，当我们要从包含扫描图像的图像或pdfs中提取数据时，为什么我们使用RecursiveParserWrapper而不是普通的解析器。
浏览 3提问于2018-06-25得票数 0
我正在尝试解析几个包含工程图的PDF文件，以获取这些文件中的文本数据。我尝试将TIKA作为jar与python一起使用，并将其与jnius包一起使用(在这里使用本教程：)，但是代码抛出了一个错误。
使用TIKA包，我可以传递文件并解析它们，但Python只能提取元数据，当被要求解析内容时，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。下面是代码
import tika
tika.initVM()
from tika import parser
parsed = parser.from_file('/path/to/file')
浏览 0提问于2015-10-12得票数 3
1回答
我正在从pdf文件中提取文本，该文件具有行文本和一些具有文本的图像报告。我应该使用哪种OCR技术来提取行文本和图像中的文本。我已经尝试了一些OCR技术，要么是做OCR，要么是从pdf中读取文本。我需要一次完成这两个任务。谢谢。
浏览 14提问于2019-07-19得票数 0
1回答
我正在使用pdfminer从许多PDF文件中提取文本。一些pdf文件的结果文本文件是奇怪的，其中每一行只相交一个字符。不是所有的PDF文件，但他们中的一些，我仍然无法找出为什么和哪些PDF文件将导致这个问题。
这是我的代码：
def convert_pdf_to_txt(path):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr,
浏览 2提问于2016-06-23得票数 0
我正在构建一个web服务，用户提交pdf文件，并从这些文件中的内容，在文本提取使用Tika。我在服务器模式下使用Tika，在我主持Django网站的同一台机器上。
我的问题是，当Tika服务器因任何原因关闭时，是否有一种方法可以自动重新启动它？我如何构建一个脚本并运行这个脚本，以便每当Tika服务器停止运行时，它就会被跟踪，服务器再次重新启动？我的最终目标不是每天从控制台上检查Tika是否关闭，也不要意识到当用户抱怨自己的pdf被提取时，服务已经关闭。
浏览 2提问于2015-07-30得票数 0
回答已采纳
我试图使用Apache和PDFBox本身，或者在Apache的上下文中，从大量的Microsoft和PDF文件中提取和处理纯文本(在某些情况下是数百个megs )。另外，我的应用程序是多线程的，所以我将同时解析其中的许多大型文件。
在这种情况下，我必须以流式方式处理文件。在此过程中的任何一步都不能将整个文件保存在主内存中。
我看到了许多通过输入流将文件加载到Tika / POI / PDFBox的源代码示例。我看到了许多通过输出流提取纯文本的例子。但是，我做了一些基本的记忆分析实验.我还没有找到使用这些库(Tika、POI或PDFBox)来避免将整个文档加载到主内存的方法。
在从流到写入流之间
浏览 6提问于2014-07-30得票数 1
我正在使用Apache Tika从PDF文件中提取文本。我想知道如何使用Apache Tika获取样式信息，如字体大小、文本颜色、特定文本(几个单词)是否为斜体、粗体等？
有没有可能获得这种类型的信息？
另外，我想知道是否可以使用Apache Tika获取表格信息？表的开始、第一行的开始、第一个单元格等信息。
浏览 95提问于2013-10-07得票数 4
回答已采纳
我正在使用Tika从几种类型的文档中提取文本。java -jar tika-app-1.10.jar -T输入文件我意识到Tika-1.10可以检测到.wps文件(java -jar tika-app-1.10.jar -m _.wps正在返回元数据)，但是它无法从.wps文件中提取文本(java -jar tika-app-1.10.jar -T _.wps文件不返回任何内容)。还有其他方法可以从Java中的wps文件中提取文本吗？任何帮助都是非常感谢的
浏览 5提问于2015-09-29得票数 0
回答已采纳
我刚刚安装了Tika从Github的存储库，并试图OCR，一个PDF，其中包含扫描的文档页。
java -cp tika-app/target/tika-app-1.17-SNAPSHOT.jar org.apache.tika.cli.TikaCLI /tmp/testing/sample_scanned.pdf
但是，只提取元数据(尽管我事先得到了安装和使用Tesseract的确认：
警告:除非您将TesseractOCRParser排除在默认解析器之外，否则将安装Tesseract OCR并将其自动应用于图像文件。Tesseract可能会大大减慢内容提取的速度(TIKA-2359)。从
浏览 10提问于2017-12-01得票数 0
我使用Tika*解析PDF文件。检索文档文本没有任何问题，但我不知道如何提取文本：
下划线
高亮显示
划掉
Adobe为您提供了不同的文本编辑选项，但我无法看到它们的“隐藏”位置。
是否有提取这些元数据信息的解决方案？(划线，高.)
你知道Tika能不能提取这些数据吗？
*
浏览 0提问于2012-09-09得票数 3
我知道Apache Tika是一个文本提取器。它可以从doc，pdf，ppt和许多其他文件格式中提取文本。现在我在ios中需要这个功能，所以我想知道有没有替代ios的Apache Tika的方法？
如果ios没有这样的库，你可以告诉我可以解压指定文件格式的工具。
提前谢谢你。
浏览 0提问于2012-09-05得票数 0
回答已采纳
1回答
如何使用solr 6.4.1配置Tika OCR。我索引的文档包括PDF，图像和MS办公文档，但问题是，Tika没有从图像中提取文本，也没有从PDF和MS办公文档中提取文本。为此，我研究了使用Tika OCR。为此，我正在安装tika-app-1.7.jar和Tesseract，但是我不知道如何用我的solr核心来配置它们。
浏览 4提问于2017-03-25得票数 2
回答已采纳
5回答
我需要编写一个java类来比较两个pdf文件，并使用某种突出显示来指出差异(文本/位置/字体中的差异)。我最初的方法是使用pdfbox解析文件，并使用某种数据结构存储提取的文本，以帮助我进行比较。有没有java库可以提取文本，保存格式，帮助我建立索引和comparing.Can我使用tika/ google的diff-match来做这件事。tika提取xhtml格式的文本，但是如何比较两个xhtml文件呢？
浏览 1提问于2013-08-14得票数 1
4回答
可以使用Tika从URL中提取文本吗？任何链接将不胜感激。或者TIKA仅适用于pdf、word和任何其他媒体文档？
浏览 0提问于2011-07-12得票数 7
回答已采纳
我使用ABCpdf提取一些PDF文件的文本内容，特别是通过调用Doc.GetText(" text ")。(您在循环中调用它，每页一次。)这通常很好，但是对于一些PDF文件来说，结果文本由缺少空格字符的文本组成。
这句话不代表单词之间的任何空间。
有趣的是，如果我尝试使用Apache (由PDFBox提供引擎盖下)从完全相同的PDF中提取文本，我倾向于在单词之间得到我期望的所有空格。也就是说，上述判决将由Tika作为
这个句子在单词之间没有任何空格。
总的来说，这两种工具表现得好像他们害怕犯不同的错误-- ABCpdf的行为就像世界上最糟糕的事情，就是插入一个不属于自己的空
浏览 5提问于2011-10-19得票数 5
回答已采纳
在https://github.com/chrismattmann/tika-python上的优秀lib tika-python文档中显示，可以将tika_server.jar文件设置为避免每次使用算法时都要下载。有没有人这样做了，可以发布配置？ 第一次使用该算法时，会下载tika_server.jar，以便库可以使用它。我想通过在本地设置文件来避免这种下载。 从PDF中提取文本 def extraiPDF(f):
resultado = []
tika.TikaClientOnly = True
raw = parser.from_file(f)
metad
浏览 38提问于2019-07-01得票数 0
回答已采纳
1回答
场景
我正在运行VueJs客户端、NodeJs Restify API和之外的Tika服务器。用户使用包含要解析的PDF文件的formData进行formData调用。API服务器接收POST调用，我将PDF保存在服务器上。API服务器应该将文件放到Tika服务器上的unpack/all端点，并接收包含文本文件、元数据文件和PDF中的图像集的zip。然后，我将处理zip并将一些数据传回客户端。
问题
我创建一个缓冲区，其中包含要使用let parsingData = fs.createReadStream(requestFilename);或let parsingData = fs.readF
浏览 5提问于2021-06-04得票数 0
1回答
我们探索了许多API，如tika、Pdfbox和itextpdf，以从pdf文件中提取页码，但我们无法做到这一点。在itextpdf中我们得到了PdfPageLabels.getPageLabels(读取器)，但是这种方法的行为并不一致。
浏览 8提问于2014-10-31得票数 2
回答已采纳
1回答
我已经使用下面的代码(使用tika)提取了多种文件格式(pdf，html，doc)的文本。
File file1 = new File("c://sample.pdf);
InputStream input = new FileInputStream(file1);
BodyContentHandler handler = new BodyContentHandler(10*1024*1024);
JSONObject obj = new JSONObject();
obj.put("Content",handler.toString());
现在我的要求是从提取的内
浏览 0提问于2013-07-03得票数 1
回答已采纳
1回答
Apache提取扫描PDF文件
、、、、
我在使用Apache (版本1.10)时遇到了一些问题。我有一些PDF文件，只是扫描了一张纸。这意味着每一页只是一张图片。我的目标是提取PDF文件的文本无论如何。
我的tesseract设置正确，提取JPG和PNG文件就像一种魅力。我使用的代码看起来是这样的(不要介意缺少的扩展处理)：
public String extractText(InputStream stream) {
AutoDetectParser parser = new AutoDetectParser();
BodyContentHandler handler = new BodyContentHandle
浏览 1提问于2015-09-02得票数 9
我刚刚开始探索Apache Tika。我想检查一下apache tika后台进程是如何工作的。
我尝试在独立的机器上执行Tika，但想知道它在Cloudera集群实时环境中是如何工作的。
例如:我有一个200页的pdf内容，并使用Tika来提取文本或功能。Tika将使用单个节点执行此过程(即，将一个文件视为一个块)，还是将使用多个节点执行？
我只是将Tika进程与Mapreduce进行比较，了解Tika是否也在逐块处理文件。
请帮我理解一下这个后台流程。
我现在没带代码。
请帮助我理解这个后台进程在节点方面的工作方式。
浏览 3提问于2019-06-26得票数 0
有没有一种方法可以在没有显式定义头的情况下从Tika服务器的文件中提取内容？例如，对于一个名为"file.pdf“的特定文件，如果我这样做的话
curl -X PUT --data-binary @file.pdf localhost:9998/tika --header "Content-type: application/pdf" > file.txt
我在"file.txt“中获取提取的内容，但如果省略
' --header "Content-type: application/pdf" '
我得到一个空的&
浏览 7提问于2015-06-02得票数 2
回答已采纳
嗨，我正在使用tikka包从pdf中提取文本，但我想从提取的内容中提取第5行，我尝试了使用其他pdf提取模块，但是我只使用tikka的那种pdf可以解析它。
这是我试过的密码。
from tika import parser from tika import parser
parsed_pdf = parser.from_file("mypdf.pdf")
print(parsed_pdf['content'])
在这里，我只想提取5 line和在单词seige social之后的所有内容。
输出的pdf
Légales义务文件公报-编号: 2101700
浏览 2提问于2021-06-01得票数 0
1回答
我用Solr索引期刊文章。使用开箱即用的配置，它将文档的文本编入索引，但我希望使用Grobid来提取作者、标题、附属机构等。
我加了
<str name="tika.config">/path/to/tika-config.xml</str>
到requestHandler的solrconfig.xml中的/update/提取
tika-config看起来如下：
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<prop
浏览 2提问于2016-05-04得票数 1
回答已采纳
我目前正在使用tika从pdf文件中提取文本。我在tika模块中找到了一个非常快速的方法。这种方法称为unpack。这是我的密码：
from tika import unpack
text = unpack.from_file('example.pdf')['content']
然而，偶尔(并不总是如此！)我收到警告：
2018-11-02 15:30:25,533 [MainThread ] [WARNI] Failed to see startup log message; retrying...
重新尝试之后，代码就开始工作了。然而，我不明白警告，也需要
浏览 0提问于2018-11-02得票数 6
回答已采纳
我有一个pdf (或任何其他类型的文件，如.doc，.ppt等)，其中包含文本以及图像。如何使用Tika从这些文件中提取图像？
还可以使用Tess4j或任何其他库在提取的图像上运行OCR吗？
我就是这样称呼蒂卡的：
AutoDetectParser parser = new AutoDetectParser();
BodyContentHandler handler = new BodyContentHandler(writeLimit);
Metadata metadata = new Metadata();
InputStream stream = new File
浏览 0提问于2015-07-08得票数 2
1回答
我正在使用对PDF文件执行OCR操作。
我对输出感兴趣，但只成功地获得了纯文本格式的输出。
在和之后，我尝试使用X-Tika-OCR... headers配置Tesseract。在本例中，我使用的是X-Tika-OCRoutputType: hocr header，但是我获得了纯文本输出或没有HOCR标记的html输出。
我尝试了/tika和/rmeta端点。
我使用的curl命令：
curl -v -X PUT --data-binary @file.pdf \
"http://tika-server:8081/tika" \
-H "Conten
浏览 5提问于2020-01-09得票数 2
回答已采纳
如上所述，我在python中使用tika从多个文档中提取文本，但在一个特定的MacBook上，它在我的开发机器(Python Pro)上提取文本，而不是在Windows Server2012上，在那里它返回一个'NoneType‘。
非常令人困惑，一开始我以为是库，但它使用的是来自apache (1.19.1)的相同jar文件
try:
headers = {'X-Tika-PDFextractInlineImages': 'true',}
data = parser.from_file(pathtofile, serverEndpo
浏览 3提问于2018-12-05得票数 0
我有几个文件(doc，docx文件)，其中包含图像和文本。我想解析这些文件并提取内容，有或没有图像细节。
目前我使用的是Apache Tika，它拒绝解析这样的文件。它完美地工作于PDF，和纯文本.doc，.docx文件。但是包含图像的文件抛出错误：
Exception in thread "main" java.lang.NoSuchMethodError: org.apache.commons.compress.utils.IOUtils.readFully(Ljava/io/InputStream;[B)I at org.apache.tika.parser.pk
浏览 9提问于2017-07-08得票数 0
回答已采纳
我运行一个未经修改的Apache服务器1.22的JAX-RS实例，并将它用作HTTP端点服务，我将文件(主要是Office、PDF和RTF)发送给它，并从我们的应用程序(使用Accept="text/plain"头)获得纯文本还原。
从Tika 1.15开始，默认的行为现在是“提取所有嵌入的文档”。
我希望能够在我们的tika服务器上关闭这种行为，这样嵌入的文档就不会被提取，我只能得到主要文档内容的文本呈现。
是否可以通过tika-config.xml文件执行此操作，或者是否需要执行自定义构建和子类EmbeddedDocumentExtractor以使其不执行任何操作？
对的回
浏览 0提问于2019-10-10得票数 3
回答已采纳
我有pdf文件，是使用Almohanad字体(发现)。我使用Python的Tika来提取这些pdfs中的文本。提取效果很好。然而，对于一些字符来说，结果会变得一团糟。为了更详细地说明，这些字符是由两个阿拉伯字符相互连接而成的(例如في结果是يف，لم结果是مل)。
我检查所有字符的cmap (ToUnicode)，它似乎是正确的：
'0628': 'ب',
'062A': 'ت',
'062B': 'ث',
'062C': 'ج',
'062D
浏览 3提问于2021-03-17得票数 1
这个代码有什么问题..。我正在尝试解析pdf文件并从中提取文本...但是对于一些pdf，我能够提取文本...对于某些人来说，它抛出了错误
Invalid dictionary, found: '' but expected: '/'
org.apache.tika.exception.TikaException: Unexpected RuntimeException from org.apache.tika.parser.pdf.PDFParser@67fb878
我也没有在一些pdf的md变量中得到任何元数据值…但对某些人来说我能理解。
这是我的代码..！B
浏览 4提问于2011-09-16得票数 3
回答已采纳
我已经在Azure Blob存储上存储了所有不同类型的文件，文件有txt、doc、pdf等。但是，所有文件都存储为“octet-stream”，当我使用Tika打开文件并从中提取文本时，Tika无法检测到字符编码。我怎样才能解决这个问题呢？
FileSystem fs = FileSystem.get(new Configuration());
Path pt = new Path(Configs.BLOBSTORAGEPREFIX+fileAdd);
InputStream stream = fs.open(pt);
Au
浏览 0提问于2015-06-24得票数 0
1回答
我试图使用Apache集成在ManifoldCF上提取PDF的文本内容，以便在我的笔记本电脑上在Elasticsearch服务器中摄取一些PDF文件。
在正确创建Tika转换器并在我的工作中配置它之后，我看到ES上的生成字段"_content“中填充了文件的二进制编码，而不是文本。
我也看到了这样的情况:，但(自2015年以来)仍未给出答案。
有人能帮我吗？
谢谢!
浏览 7提问于2017-11-16得票数 1
我有一个下载的PDF在中国，我想提取文本从使用提卡+ Python (原始链接到完整的PDF可以找到，或提取的样本页面可以找到)。
当我运行以下代码时
analysed_file = 'D:\\5_Programming\\test.pdf'
# Parse data from file
file_data = parser.from_file(analysed_file, "http://localhost:9998/")
# Get files text content
text = file_data['content']
print(
浏览 1提问于2020-09-07得票数 0
我正在尝试从pdf文档中提取文档元数据和日志标题元数据。我验证了Tika Server (v1.21 / v1.24)和Grobid (v0.6.0)能够独立地从pdf文档中提取元数据。然而，当我在Tika Server中运行Grobid (遵循https://cwiki.apache.org/confluence/display/TIKA/GrobidJournalParser中提到的指令)时，我得到相同pdf文档的以下错误(代码片段)： org.xml.sax.SAXParseException; Premature end of file.
at org.apache.
浏览 59提问于2020-07-16得票数 1
我需要一个内部网站，允许用户上传.doc，.pdf，.xls文件，并查看文本框中的文本。
我在PHP中创建了这个站点，用户可以上传这些文件。
我已经在我的服务器上安装了Tika，在命令行可以输入java -jar tika-app-1.10-SNAPSHOT.jar -m manu.pdf > output.txt，它成功地在输出文件中创建了我需要的文本。
从PHP中调用Tika的最佳方法是将上传的文件的纯文本输入PHP?
四处搜寻我发现：
调用"Tika服务器“(例如使用cURL )的PHP代码
用于Tika的PHP包装类似乎在安装PHP的同一台服务
浏览 0提问于2015-06-04得票数 5
回答已采纳
我想使用Tika服务器使用POST请求从pdfs中提取文本。但是，当PDF的尺寸太大时，就会出现413实体太大的错误。如何增加大小？ 我的请求是这样的： curl -F upload=@price.xls URL http://localhost:9998/tika/form
浏览 13提问于2020-12-17得票数 0
我正在使用Tika-server解析一堆eml文件。在使用/rmeta端点时，提取eml和附件的内容和元数据很好。
正确的附件文件名出现问题。当原始eml文件中的附件部分具有以下结构时：
Content-Type: application/pdf; name="filename_a.pdf"
Content-Transfer-Encoding: base64
Content-Disposition: attachment; filename="filename_a.pdf"
所有操作都很好:元数据对象中提取的文件名路径(在api响应中)是：
"X-TIK
浏览 5提问于2019-11-25得票数 0
回答已采纳
我试图使用Windows版本的post索引文档，使用下面这样的命令：
java -Dc=docs -Dauto=yes -Dc=docs -Ddata=files -Drecursive=yes -jar
post.jar C:\docs
我可以看到文档的索引是正确的，但我想要存储提取的文本以使用高亮显示。我在托管模式字段中添加了以下内容：
<field name="text" type="text_general" multiValued="true" indexed="true" stored="true"
浏览 2提问于2017-03-10得票数 0
回答已采纳
1回答
我们有一个pdf，这是一个手写的文件，并使用扫描仪转换为pdf。我正在使用TIKA 1.13，但无法从这样的file.After解析中提取文本，我只能得到"\n\n“作为文本。下面是我的代码：
Parser parser = new AutoDetectParser();
ContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE);
PDFParserConfig pdfConfig = new PDFParserConfig();
pdfConfig.setExtractInlineImages(true);
浏览 21提问于2016-09-16得票数 1
我使用tika从一个包含很多表格的pdf文件中提取文本。
java -jar tika-app-0.9.jar -t https://s3.amazonaws.com/centraldoc/alg1.pdf
它会返回一些无效的文本，有时会修剪两个单词之间的空格；例如，它会返回"qu inakli fmyathematical to the real world“，而不是"Link mathematical to the real”。
有没有办法把这种误差降到最低？或者有没有其他的库可以让我使用？使用OCR来处理这些pdf文件有意义吗？
浏览 1提问于2011-08-16得票数 2
回答已采纳
我想为同一个Solr ID索引多个pdf文件。对于我们的一个项目，我们有一些表示如下的对象：
{"id" : "object:1234",
"authors" : ["me", "you", ...],
"keywords": ["key1", "key3", ...],
"files" : [
"/tmp/file1.pdf",
"/tmp/file2.pdf",
"/tm
浏览 1提问于2017-09-04得票数 0
回答已采纳
我似乎无法为tika-服务器设置类路径，以便正确检测opennlp模型。
我按照这里的指示：
(用app代替-server，看起来它包含了所需的一切)
我已经创建了以下文件夹结构
tika
`-- tika-ner-resources
`-- org
`-- apache
`-- tika
`-- parser
`-- ner
`-- opennlp
|-- ner-location.bin
浏览 1提问于2018-08-20得票数 1
回答已采纳
1回答
好日子，我正在尝试将SOLR配置为使用Tesseract OCR引擎从图像中提取文本，但还没有成功。
SOLR从结构化文本文档(.xls、.pdf、doc等)中提取精细文本，但它不想调用Tesseract模块进行文本识别。
我在用
SOLR诉7.4.0
Tesseract版本4.1.1
TIKA 1.18版本( SOLR内置，没有独立版本)
Tesseract安装在以下目录中：
/usr/share/tesseract/4/tessdata/
echo $TESSDATA_PREFIX - > /usr/share/tesseract/4/tessdata/
tess
浏览 6提问于2020-01-16得票数 0
我使用Apache Tika和Go从任何类型的文件(.txt，.docx，.pdf等)中提取内容，代码如下。
file, err := os.Open("foo.docx")
if err != nil {
fmt.Println(err)
}
client := tika.NewClient(nil, "http://localhost:9998/")
body, err := client.Parse(context.Background(), file)
它可以很好地提取内容，但问题是，如果文件大小更大，时间误差可能会生成V
浏览 14提问于2021-01-07得票数 0
我使用Apache提取所有类型文件的文本。现在，我还想使用它来检测正确的MIME类型的文件。
例如，这对.
PDF-档案(application/pdf)
HTML-文件(text/html)
...but不是为：
CSS-文件(text/plain而不是text/css)
Javascript (text/plain而不是text/javascript)
..。
(这些Mime类型的结果来自我的应用程序和tika应用程序)。
我的应用程序需要精确的MIME类型，比如text/css，而不是一般的text/plain。这和Tika有可能吗？
浏览 5提问于2012-10-20得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
