使用 Tika 在Python中解析 PDF

Apache Tika 是一个用于文档类型检测和从各种文件格式中提取内容的库。使用它，可以开发一种通用类型检测器和内容提取器，以在一定程度上从不同类型的文档（如电子表格、文本文档、图像、PDF 甚至多媒体输入格式）中提取结构化文本和元数据。 Tika-Python 是与 Apache TikaTM REST 服务的Python绑定，允许以Python语言本地调用 tika。

安装：

要安装 Tika，请在终端中输入以下命令。

pip install tika

注意： Tika 是用Java编写的，因此您需要安装一个Java（7 或 7+）运行时

为了从 PDF 文件中提取内容，我们将使用解析器对象的from_file()方法。所以我们先看看描述。

Syntax: parser.from_file(filename, additional)

Parameters:

• filename: This is location of file, it is opened in rb mode i.e. read binary mode
• additional: param service: service requested from the tika server, Default value is ‘all’, which results in recursive text content+metadata.
  • ‘meta’ returns only metadata. ‘text’ returns only content.
  • param xmlContent: You can have XML content, default value- False

Return type: dictionary.

现在，让我们看看用于提取 pdf 数据的Python程序：

示例 1：提取 pdf 文件的内容。

Python3

# import parser object from tike
from tika import parser  
  
# opening pdf file
parsed_pdf = parser.from_file("sample.pdf")
  
# saving content of pdf
# you can also bring text only, by parsed_pdf['text'] 
# parsed_pdf['content'] returns string 
data = parsed_pdf['content'] 
  
# Printing of content 
print(data)
  
# 
print(type(data))

输出：

示例 2：提取 pdf 文件的元数据。

Python3

# import parser object from tike
from tika import parser  
  
parsed_pdf = parser.from_file("sample.pdf")
  
# ['metadata'] attribute returns 
# key-value pairs of meta-data 
print(parsed_pdf['metadata']) 
  
# 
print(type(parsed_pdf['metadata']))

输出：

示例 3：提取密钥。

Python3

from tika import parser
  
parsed_pdf=parser.from_file("sample.pdf")
  
# Returns keys applicable for given pdf.
print(parsed_pdf.keys())

输出：

示例 4：了解 tika 服务器状态。

Python3

from tika import parser
  
# You can also know the 
# status returned from tika 
# server, 200 for success 
parsed_pdf= parser.from_file("sample.pdf")
  
print(parsed_pdf['status'],type(parsed_pdf['status'] ))

输出：

200