Question

我正在使用Tika，我意识到每次下载jar文件并将其放置在Temp文件夹中

Retrieving http://search.maven.org/remotecontent?filepath=org/apache/tika/tika-server/1.19/tika-server-1.19.jar to C:\Users\asus\AppData\Local\Temp\tika-server.jar.
Retrieving http://search.maven.org/remotecontent?filepath=org/apache/tika/tika-server/1.19/tika-server-1.19.jar.md5 to C:\Users\asus\AppData\Local\Temp\tika-server.jar.md5.

问题在于jar文件大小约为60MB，这需要一些时间才能下载。

这是我正在使用的代码：

from tika import parser

def get_pdf_text(path):
    parsed = parser.from_file(path):
    return parsed['content']

我发现的唯一解决方法是：

1-使用java -jar tika-server-x.x.jar --port xxxx

手动运行jar

2-使用tika.TikaClientOnly = True

3-用parser.from_file(path)代替parser.from_file(path, '/path/to/server')

但是我不想手动运行jar文件。如果我可以使用Python自动运行jar文件并使用它设置tika而不重新下载，那就更好了。

Answer 1

要解决此问题，您应该将环境变量添加到tika服务器jar中，并指定包含tika jar文件的路径文件夹。

TIKA_SERVER_JAR ='PATH_OF_FOLDER_CONTAINING_TIKA_SERVER_JAR'。

Answer 2

在尝试了几乎所有方法并调试 tika.py 库代码后，我发现您必须设置这两个变量才能使此 hack 工作。

TIKA_SERVER_JAR="/path_to_tika_server/tika-server.jar"
TIKA_SERVER_JAR="/path_to_tika_server"

您还需要提供 .md5 签名文件，因为由于 Tika 1.18 版未提供 .md5 文件（改为提供 sha512 签名，请参阅 https://archive.apache.org/dist/tika/）。所以你需要欺骗图书馆接受你下载的文件。

或者有人可以修补python库:)

python如何将tika与现有的jar文件一起使用而无需再次下载

2 个答案: