问题标签 [tika-server]

在我的场景中，我有一些大型 PDF 文件，并希望限制 tika 服务器提取和返回的文本数量。我知道可以直接使用 Java 库。/tika但是，在向 tika-server端点发出 HTTP 请求时，我该怎么做呢？

我正在使用 tika-app-1.14.jar 使用命令行将我的 pdf 和图像文件转换为文本。

它运行良好，但是当我从自动化工具运行相同的脚本时，它会失败，说*causeForTermination='MAIN_LOOP_EXCEPTION_NO_RESTART'*并且不会将文件转换为文本。找不到此问题的原因。

我在服务器模式下使用 Appache Tika。我需要开发用于解析文件的 java rest 客户端。对于 pdf 文件上传，我正在使用代码：

使用 apache.http 库。现在我尝试开发 docx 部分，但我不知道我需要提供哪个 mimeType（应用程序/docx 给我错误）。如果没有 mimeTipe，我会在 Tika 服务器中收到异常“不支持的媒体类型”。所以我需要提供哪种类型，我需要做一些其他的改变。

解决了！

我正在尝试使用（在 cygwin 中）提取“输入”中存在的一堆文档（.pdf、.doc 等）的文本

CauseForTermination 是“COMPLETED_NORMALLY”，但我在输出文件夹中看不到任何文件。我没有具体说明什么？

尝试使用 jnius 运行 tike-app 但遇到问题（macOS Sierra、Java 1.8 JDK、Python 2.7 和 Python 3.6）一切正常（tika.detect 的输出正常）直到parseToString命令。如果您运行此命令，似乎会弹出一个炫耀的窗口（也使用 java 程序进行了测试，并且可以正常工作）。但是使用 jnius 运行它会停止工作，并且没有输出也没有错误。

我已经坚持了很长一段时间了。我想使用托管在专用于此的外部服务器上的 Tika 将 PDF 解析为文本。它应该适用于任何远程 pdf url 和任何 Tika 服务器（目前正在使用这个免费测试一些了不起的家伙设置）。

无论如何，此命令在命令行上完美运行，但无法将其转换为 PHP，我希望能够获取结果文本并将其保存到 db，而不必使用 exec()。

这是我到目前为止在 PHP 中所拥有的，但它不起作用并且找不到原因：

谢谢先进

嗨，我将https://wiki.apache.org/tika/TikaJAXRS部署到服务器，当我上传文件并调用时，/meta 我得到以下 docx 文件的响应

u'{"Content-Encoding":"UTF-16LE","Content-Type":"application/json; charset\u003dUTF-16LE","X-Parsed-By":["org.apache.tika.parser .DefaultParser","org.apache.tika.parser.txt.TXTParser"],"language":"bn"}')

1.文件语言是英文但tika返回'bn'？

2.这是我将获得的唯一元数据吗？文件所有者等怎么样？

代码：我使用 python

我需要知道配置 Apache Tika 的方法。

现在我们正在使用它来解析我们的 html 文件，然后根据从 Apache Tika 解析器获得的解析数据进行搜索。

问题：Apache tika 实际上合并了来自不同 div 的可用数据，并且不包括它们之间的空间。

例如：如果我们有如下的 div：

解析的内容看起来像

吉里什库马尔

但我想要它

Girish（空间）库马尔

如何配置 Apache tika 以便在每个 div 之后包含一个空格？

现在我们已经在我们的一台服务器中安装了Apache Tika Jar并调用它来获取响应。

目前我正在使用 tika-app-1.16.jar 对我的 PDF 进行 OCR（与 Tesseract 结合使用时）： java -jar tika-app-1.16.jar /tmp/testing/input.pdf

但是，默认情况下它只支持英语。我想找到一种方法来传递不同的语言。

至于文档：

使用 OCR 解析器时，Tika 将使用以下默认设置：

• 正方体安装路径 = ""
• 语言词典 = "eng"
• 页面分割模式=“1”
• 最小文件大小 = 0
• 最大文件大小 = 2147483647
• 超时 = 120

要更改这些设置，您可以修改 tika-parser/src/main/resources/org/apache/tika/parser/ocr 中现有的 TesseractOCRConfig.properties 文件，或者通过创建自己的并将其放置在包 org/ 中来覆盖它类路径上的 apache/tika/parser/ocr。

值得注意的是，在使用其中一个可执行 JAR（tika-app 或 tika-server JAR）时执行此操作将要求您在不使用 -jar 命令的情况下执行它们。例如，tika-app 或 tika-server 分别如下所示：

java -cp /path/to/your/classpath:/path/to/tika-app-XXjar org.apache.tika.cli.TikaCLI

java -cp /path/to/your/classpath:/path/to/tika-server-1.7-SNAPSHOT.jar org.apache.tika.server.TikaServerCli

和

对于 Tika App 的用户，除了 sytem 属性和环境变量之外，您还可以使用 --config=[tika-config.xml] 选项来选择不同的 Tika Config XML 文件来使用

对于 Tika Server 的用户，除了 sytem 属性和环境变量，您还可以使用 -c [tika-config.xml] 或 --config [tika-config.xml] 选项来选择不同的 Tika Config XML要使用的文件

但是，我无法找到可以更改 Tesseract OCR 使用的语言的 tika-config.xml 的工作示例。有没有可用的例子？

我有一个我试图让 Tika 解析的 PDF。PDF 不是 OCR。正方体已安装在我的机器上。

我使用 ImageMagik 将 file.tiff 转换为 file.pdf，所以我正在解析的 tiff 文件是从 PDF 直接转换而来的。

Tika 解析 TIFF 没有问题，但返回 PDF 的“无”内容。是什么赋予了？我正在使用 Tika 1.14.1、tesseract 3.03、leptonica-1.70

这是代码...