问题标签 [tika-python]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
python - 使用 tika-python 在 Python 中增加 tika 堆大小
有人可以建议一种在使用 tika-python（在 Windows 上）时给 tika 更大的堆大小（1 GB 左右）的方法吗？
处理非常大的 Microsoft Word 文件时，我从 tika 收到“状态：500”错误。如果我按如下方式从 Windows 命令行运行 tika，错误就会消失：
指定最大堆大小为 1 GByte （-Xmx1G远大于默认值）。
我已经看到了其他语言的几个答案，但没有一个特定于带有 tika-python 的 Python 的答案。
我试过了：
和：
并从 Windows 命令行：
所有 3 种方法都会导致相同的错误，例如
我认为主要问题是当我尝试更改最大堆大小时，Java tika 进程已经在运行 - 不知何故，我需要杀死它，设置最大堆大小，然后重新启动 Java tika 服务器。 如何？
python-3.x - 我已经使用 python tika 提取了 pdf 文件，但我想提取页眉和页脚详细信息。那么我怎样才能得到那个呢？
从 tika 导入解析器导入 tika
文件名 = "sample.pdf"
PDF_Parse = parser.from_file(文件名)
打印（PDF_Parse ['内容']）
打印（PDF_Parse ['元数据']）
但我想提取页眉和页脚的详细信息。我该怎么办？？？使用python tika？？？
python - 如何从具有特定行的位置的多个pdf中提取文本并存储在Excel中？
我有 100 个 pdf 存储在一个位置，我想从中提取文本并存储在 excel 下面是我想要的 pdf 图像（存储在 page1 中）
需要
仅收货人地址）
python - Tika 服务器无法在部署在 kubernetes 上的气流（从第四次同时运行）中启动
我想问你们中是否有人遇到过类似的错误。
我在一家使用气流的公司工作，部署在 Azure kubernetes 上。
我们有一个 Dag 负责提取有关不同文档的一些信息。在我们从文档中提取的许多内容中，我们使用 tika 来提取 xml。
流程将是：
- 我们上传 10 个文件。
- 创建了 10 个不同的 DAG 来从文档中提取信息。
- 当它使用 tika 提取 xml 时，一些 DAGS 开始失败，因为 tika 服务器无法自行初始化。
关于使用 tika-server 的任务的一些事实：
- 我们已将重试次数设置为 3
- 我们将此任务的同时执行限制为 3 个，因此它永远不会失败。
这是我们在 Airflow 中的任务：
我将错误留在这里，尽管我认为它没有太大帮助：