| 4.8. 实例：读取PDF内中文内容 | 您所在的位置：网站首页 › python读pdf文本 › 4.8. 实例：读取PDF内中文内容 |
|
使用Tika解析PDF文档Tika¶
Tika是一个内容分析工具，自带全面的parser工具类，能解析基本所有常见格式的文件，得到文件的metadata，content等内容，返回格式化信息。总的来说可以作为一个通用的解析工具。特别对于搜索引擎的数据抓去和处理步骤有重要意义。Tika是Apache的Lucene项目下面的子项目，在lucene的应用中可以使用tika获取大批量文档中的内容来建立索引，非常方便，也很容易使用。所以他是使用Java编写的，Tika集成了现有的文档解析库，并提供统一的接口，使针对不同类型的文档进行解析变得更简单。Tika针对搜索引擎索引、内容分析、转化等非常有用。让我们来看看他的强大。 安装 pip install tika >>> import tika >>> tika.initVM() >>> from tika import parser >>> parsed = parser.from_file(FILE_PATH) >>> print(parsed["content"].strip()) 从百草园到三味书屋 我家的后面有一个很大的园，相传叫作百草园。现在是早已并屋子一起卖给朱文公的 子孙了，连那最末次的相见也已经隔了七八年，其中似乎确凿只有一些野草；但那时却是 我的乐园。 姓名 性别 我 男使用tika库可以读取文档内的所有所有信息，包括超链接等。 |
| CopyRight 2018-2019 实验室设备网 版权所有 |