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();
    }

我已导入java.io.File并导入org.apache.tika.Tika; 但在运行此代码时，我收到的错误是这样的：

线程中的异常＆＃34; main＆＃34; java.lang.NoSuchMethodError：org.slf4j.spi.LocationAwareLogger.log（Lorg / slf4j / Marker; Ljava / lang / String; ILjava / lang / String; Ljava / lang / Throwable;）V 在org.apache.commons.logging.impl.SLF4JLocationAwareLog.warn（SLF4JLocationAwareLog.java:162）在org.apache.pdfbox.pdmodel.font.FileSystemFontProvider.loadDiskCache（FileSystemFontProvider.java:461）在org.apache.pdfbox.pdmodel.font.FileSystemFontProvider。（FileSystemFontProvider.java:217） at org.apache.pdfbox.pdmodel.font.FontMapperImpl $ DefaultFontProvider。（FontMapperImpl.java:130） at org.apache.pdfbox.pdmodel.font.FontMapperImpl.getProvider（FontMapperImpl.java:149）在org.apache.pdfbox.pdmodel.font.FontMapperImpl.findFont（FontMapperImpl.java:413） at org.apache.pdfbox.pdmodel.font.FontMapperImpl.findFontBoxFont（FontMapperImpl.java:376） at org.apache.pdfbox.pdmodel.font.FontMapperImpl.getFontBoxFont（FontMapperImpl.java:350）在org.apache.pdfbox.pdmodel.font.PDType1Font。（PDType1Font.java:146）在org.apache.pdfbox.pdmodel.font.PDType1Font。（PDType1Font.java:79）在org.apache.pdfbox.pdmodel.font.PDFontFactory.createFont（PDFontFactory.java:62）在org.apache.pdfbox.pdmodel.PDResources.getFont（PDResources.java:143）在org.apache.pdfbox.contentstream.operator.text.SetFontAndSize.process（SetFontAndSize.java:60）在org.apache.pdfbox.contentstream.PDFStreamEngine.processOperator（PDFStreamEngine.java:838）在org.apache.pdfbox.contentstream.PDFStreamEngine.processStreamOperators（PDFStreamEngine.java:495） at org.apache.pdfbox.contentstream.PDFStreamEngine.processStream（PDFStreamEngine.java:469）在org.apache.pdfbox.contentstream.PDFStreamEngine.processPage（PDFStreamEngine.java:150） at org.apache.pdfbox.text.LegacyPDFStreamEngine.processPage（LegacyPDFStreamEngine.java:139） at org.apache.pdfbox.text.PDFTextStripper.processPage（PDFTextStripper.java:391）在org.apache.tika.parser.pdf.PDF2XHTML.processPage（PDF2XHTML.java:147） at org.apache.pdfbox.text.PDFTextStripper.processPages（PDFTextStripper.java:319） at org.apache.pdfbox.text.PDFTextStripper.writeText（PDFTextStripper.java:266）在org.apache.tika.parser.pdf.PDF2XHTML.process（PDF2XHTML.java:117）在org.apache.tika.parser.pdf.PDFParser.parse（PDFParser.java:167）在org.apache.tika.parser.CompositeParser.parse（CompositeParser.java:280）在org.apache.tika.parser.CompositeParser.parse（CompositeParser.java:280）在org.apache.tika.parser.AutoDetectParser.parse（AutoDetectParser.java:135）在org.apache.tika.Tika.parseToString（Tika.java:527）在org.apache.tika.Tika.parseToString（Tika.java:642）在java_programs.PdfParse.main（PdfParse.java:22）

Answer 1

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

你正在使用什么tika jar？我添加了另一种方法（tikaPdfTest()），以显示从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();
        }
    }
}

使用Java中的Apache Tika从pdf文件中提取文本

1 个答案: