问题标签 [tika-server]

我正在使用tika-python从 pdf 中提取文本。但是当一个pdf页面中有多个表格时，文本的顺序不会被保留。在我的情况下，页面顶部的表格在通过 tika 提取时位于末尾。

我尝试使用以下自定义配置文件。但它不起作用。我曾尝试将声明保留<property name="sortByPosition" value="True"/>在不同的位置。但没有任何效果。我为 config.xml 引用了这个。

和以下命令来阅读文本：

我做错了什么或者改变配置或保留顺序的方法是不可能的？

我有一些 PDF 文件，直到几天前我才使用tika.

我没有更改我的代码中的任何内容，但我不再能够通过运行以下代码查看相同 PDF 中的内容：

直到最近，这在最新安装的 tika 上运行良好conda install -c conda-forge tika

问题似乎是Java没有激活。当我查看时出现以下错误metadata

'X-TIKA:EXCEPTION:runtime': 'java.lang.NullPointerException\n\tat

我不确定以下内容是否有帮助，但元数据也返回了：

X-Parsed-By': ['org.apache.tika.parser.DefaultParser','org.apache.tika.parser.pdf.PDFParser']

我该怎么做才能让 tika 重新开始工作？

如果这有帮助：

编辑通过遵循这个答案 ，我能够让 Tika 工作

具体来说，我将目录更改为下载 Tika 服务器文件的位置，然后运行： java -jar tika-server-x.x.jar -h 0.0.0.0

一旦我在我的 cmd 行中运行上述内容，服务器就启动了，我的代码工作了，我可以查看content.

如何确保 python 中的 Tika 自动打开服务器以避免这种手动解决方法？是否有我需要设置的环境变量？

Apache Tika 服务器提供了一个 Rest API 来从文档中提取文本。也可以设置特定的请求标头参数，例如X-Tika-PDFOcrStrategy. 例如：

从许多关于 tika 的不同文档中，我发现了这些记录在案的附加标头参数：

但是似乎没有关于如何使用X-Tika-.....?标头参数或支持哪些参数以及哪些不支持的文档。

例如，我想知道是否可以使用以下内容覆盖 ImageType 模式或 DPI：

我的问题是：支持哪些标头参数以及这些参数遵循哪些命名约定？

我将一个 PDF 文档传递给 Apache Tika 软件，格式如下：

包含以下段落的 PDF 文档：

我得到的文本格式与 PDF 文件中提供的输入文本格式相同。

但预期的输出是：

我想在一行中导出段落，而不是使用与输入文件中提供的相同格式。

我以这种方式打电话给 Tika：

我在 content 变量中收到文件的内容。

是否有任何配置可以让我做到这一点？

我正在尝试从 pdf 文档中提取文档元数据和期刊标题元数据。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。但是，当我在 Tika Server 中运行 Grobid 时（遵循 https://cwiki.apache.org/confluence/display/TIKA/GrobidJournalParser中提到的说明），对于同一个 pdf 文档，我收到以下错误（片段）：

我运行以下命令以使用 Grobid 启动 Tika Server：

我运行以下命令来测试元数据提取：

除了抛出上述错误之外，我还在输出中从 Tika 获取文档元数据。但是，Grobid 元数据并未被提取。

感谢任何输入/建议来解决这个问题。谢谢。

我正在尝试使用 Apache Tika 解析一个 .doc 文件，其中包含 alpha、beta、gamma 等希腊字符，并且 tika 的结果与我的预期完全不同，我正在使用下面的代码来解析 .doc 文件

我在该行中使用 UTF-8 编码

以下是我正在使用的依赖项

word文档中的内容是

当我使用上面的 tika 代码时得到的输出是

UTF-8 编码是否不适合使用 Apache Tika 解析希腊字符？还是我在代码中遗漏了什么？

提前致谢

编辑：这是我正在使用的完整 java 代码

编辑 2：下面是使用 PrintWriter 的代码

编辑 3：我试图解析的字符来自 microsoft word 使用的符号字体，Tika 仅对符号字体中的字符失败

我假设这些不是实际的希腊字符，但看起来像希腊字符

我正在努力解决一个问题（使用 Gradle 的 Java/Scala Web 项目），因为我必须将 apache tika 版本从 1.19.1升级到至少版本1.22 （以前的版本存在安全漏洞）。但是当我尝试更改版本（甚至更低版本）时，我收到一个异常

我没有使用任何配置文件，我只升级了库（库内抛出了异常，我在堆栈跟踪中没有参考我的代码）。tika 依赖版本不同，主要关注 org.osgi:org.osgi.core 从 4.0.0 升级到 6.0.0。我在 gradle 中强制在项目中使用 4.0.0 版本，但我收到错误，找不到org.osgi.framework.BundleActivator类。根据文档，类之间的区别是附加注释@ConsumerType。我认为这是造成问题的原因。有没有办法解决这个问题？

我正在尝试解析 tika 中的 pdf 文件。在一些手写扫描文档中，tika 正在解析文件并返回没有意义的垃圾文本。我从这里使用 python tika 包装器。有什么方法可以忽略包含图像的 pdf。Tesseract OCR 解析器已关闭。解析文件后不显示在元数据中。

我正在使用 Tika 服务器来获取各种文件格式的元数据和内容。我正在使用启用了 fileUrl 的服务器。解析使用 quicktime 屏幕记录创建的 .mov 文件时，出现以下错误。

文本提取失败 (null) org.apache.tika.exception.TikaException: Unexpected RuntimeException from org.apache.tika.parser.mp4.MP4Parser@354bc1a2 at org.apache.tika.parser.CompositeParser.parse(CompositeParser.java:293 ) 在 org.apache.tika.parser.CompositeParser.parse(CompositeParser.java:280)

引起：org.mp4parser.MemoryAllocationException：尝试分配1399026269字节，但此记录类型的限制为：536870912。如果您认为此文件没有损坏，请在github上开票以增加此记录的最大允许大小类型。在 org.mp4parser.tools.MemoryUtils.allocateByteBuffer(MemoryUtils.java:30) 在 org.mp4parser.support.AbstractBox.parse(AbstractBox.java:100) 在 org.mp4parser.AbstractBoxParser.parseBox(AbstractBoxParser.java:115)

该文件的大小仅为 20Mb。其他类型的 .mov 文件

内容类型=“视频/快速时间”

正在被解析而没有任何错误。我连接了调试端口，我发现它在转换为新的 IsoFile() 时失败。

非常感谢任何解决此问题的帮助。

我启动服务器，如下所示。

java -jar tikaserver-1.24.1.jar -enableFileUrl -enableUnsecureFeatures

似乎 Apacke Tika 1.24.1 正在创建大量 /tmp/MediaDataBox ISO 文件，我的 /tmp 分区被填满。

MediaDataBox ISO 文件有什么用途？

我们能以某种方式告诉 Tika 将其保存在另一个目录中吗？

Tika 在服务器模式下运行如下：

java -Xmx3G -jar tika-server.jar -spawnChild --host=hostname.domain.com