Python Tika 无法从 url 解析 pdf答案

【问题标题】：Python Tika cannot parse pdf from urlPython Tika 无法从 url 解析 pdf
【发布时间】：2023-03-12 19:10:01
【问题描述】：

python 用于解析在线 pdf 以备将来使用。我的代码如下。

from tika import parser
import requests
import io
url = 'https://www.whitehouse.gov/wp-content/uploads/2017/12/NSS-Final-12-18-2017-0905.pdf'
response = requests.get(url)
with io.BytesIO(response.content) as open_pdf_file:
    pdfFile = parser.from_file(open_pdf_file)
print(pdfFile)

但是，它显示

AttributeError: '_io.BytesIO' 对象没有属性 'decode'

我以How can i read a PDF file from inline raw_bytes (not from file)?为例

在示例中，它使用的是 PyPDF2。但我需要使用 Tika，因为 Tika 的结果比 PyPDF2 更好。

感谢您的帮助

【问题讨论】：

标签： python apache-tika tika-server

【解决方案1】：

为了使用 tika，您将 need to have JAVA 8 installed。您需要检索和打印 pdf 内容的代码如下：

from tika import parser

url = 'https://www.whitehouse.gov/wp-content/uploads/2017/12/NSS-Final-12-18-2017-0905.pdf'

pdfFile = parser.from_file(url)

print(pdfFile["content"])

【讨论】：