使用Java中的Apache Tika從pdf文件中提取文本

Question

try {
      File file = new File("Example.pdf");
      String content = new Tika().parseToString(file);
      System.out.println("The Content: " + content);
    } catch (Exception e) {
       e.printStackTrace();
    }

我導入了java.io.File並導入了org.apache.tika.Tika ; 但在運行此代碼時，我收到如下錯誤：

線程“main”中的異常java.lang.NoSuchMethodError：org.slf4j.spi.LocationAwareLogger.log（Lorg / slf4j / Marker; Ljava / lang / String; ILjava / lang / String; Ljava / lang / Throwable;）V at org位於org.apache.pdfbox.pdmodel.font的org.apache.pdfbox.pdmodel.font.FileSystemFontProvider.loadDiskCache(FileSystemFontProvider.java:461）上的.apache.commons.logging.impl.SLF4JLocationAwareLog.warn（SLF4JLocationAwareLog.java:162） .FileSystemFontProvider。（FileSystemFontProvider.java:217）org.apache.pdfbox.pdmodel.font.FontMapperImpl $ DefaultFontProvider。（FontMapperImpl.java:130）at org.apache.pdfbox.pdmodel.font.FontMapperImpl.getProvider（FontMapperImpl.java） ：149）在org.apache的org.apache.pdfbox.pdmodel.font.FontMapperImpl.findFont（FontMapperImpl.java:413）中的org.apache.pdfbox.pdmodel.font.FontMapperImpl.findFontBoxFont（FontMapperImpl.java:376）。位於org.apache.pdfbox.pdmod的org.apache.pdfbox.pdmodel.font.PDType1Font。（PDType1Font.java:146）的pdfbox.pdmodel.font.FontMapperImpl.getFontBoxFont（FontMapperImpl.java:350） org.apache.pdfbox.pdfodel.PDResources.getFont（PDResources.java ：143）org.apache上的org.apache.pdfstream.contentstream.operator.text.SetFontAndSize.process（SetFontAndSize.java:60）org.apache.pdfbox.contentstream.PDFStreamEngine.processOperator（PDFStreamEngine.java:838）。 pdfbox.contentstream.PDFStreamEngine.processStreamOperators（PDFStreamEngine.java:495）org.apache.pdfbox.contentstream.PDFStreamEngine.processStream（PDFStreamEngine.java:469）org.apache.pdfbox.contentstream.PDFStreamEngine.processPage（PDFStreamEngine.java： 150）org.apache.pdfbox.text.LegacyPDFStreamEngine.processPage（LegacyPDFStreamEngine.java：139）atg.apache.pdfbox.text.PDFTextStripper.processPage（PDFTextStripper.java:391）org.apache.tika.parser.pdf位於org.apac的org.apache.pdfbox.text.PDFTextStripper.processPages（PDFTextStripper.java:319）的.PDF2XHTML.processPage（PDF2XHTML.java:147） 位於org.apache.tika.parser.pdf.PDFParser的org.apache.tika.parser.pdf.PDF2XHTML.process(PDF2XHTML.java:117）中的.pdfbox.text.PDFTextStripper.writeText（PDFTextStripper.java:266）。在org.apache的org.apache.tika.parser.CompositeParser.parse（CompositeParser.java：280）org.apache解析（PDFParser.java:167）org.apache.tika.parser.CompositeParser.parse（CompositeParser.java：280）位於org.apache.tika.Tika.parseToString(Tika.java:527）的.tika.parser.AutoDetectParser.parse（AutoDetectParser.java:135）org.apache.tika.Tika.parseToString（Tika.java:642）at at java_programs.PdfParse.main（PdfParse.java:22）

Answer 1

以下似乎對我有用。 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]我編譯並運行它：

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？ 我添加了另一種方法（ tikaPdfTest() ）來顯示從PDF獲取可能對您有幫助的文本的不同方式。

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();
        }
    }
}