使用Java中的Apache Tika从pdf文件中提取文本

1 回答

• 2

  以下似乎对我有用 . 我得到了我想要的字符串，但我也在控制台中打印了一些警告 .

  [在Windows上]我编译并运行它：

  javac -cp .;tika-app-1.16.jar Test.java
  
  java -cp .;tika-app-1.16.jar Test
  

  你用的是什么tika jar？我添加了另一种方法（ tikaPdfTest() ）来显示从PDF中获取可能对您有帮助的文本的不同方法 .

  import java.io.File;
  import org.apache.tika.Tika;
  
  import java.io.File;
  import java.io.FileInputStream;
  import java.io.IOException;
  
  import org.apache.tika.exception.TikaException;
  import org.apache.tika.metadata.Metadata;
  import org.apache.tika.parser.ParseContext;
  import org.apache.tika.parser.pdf.PDFParser;
  import org.apache.tika.sax.BodyContentHandler;
  import org.apache.tika.Tika;
  
  import org.xml.sax.SAXException;
  
  public class Test {
      public static void main(final String[] args) {
          //Your way
          try {
              File file = new File("Example.pdf");
              String content = new Tika().parseToString(file);
              System.out.println("The Content: " + content);
          } catch (final Exception e) {
              e.printStackTrace();
          }
  
          //Another way
          try {
              System.out.println("The contents:\t[" + Test.tikaPdfTest("Example.pdf") + "]");
          } catch (final Exception e) {
              e.printStackTrace();
          }
      }
  
      public static String tikaPdfTest(final String fileName) throws IOException, SAXException, TikaException {
          try(final FileInputStream inputstream = new FileInputStream(new File(fileName))) {
              final BodyContentHandler handler = new BodyContentHandler();
              new PDFParser().parse(inputstream, handler, new Metadata(), new ParseContext());
              return handler.toString().trim();
          }
      }
  }
  

  回复于 2024-04-19T06:37:17+08:00