python如何将tika与现有的jar文件一起使用而无需再次下载

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.

问题是jar文件大小在60MB左右，下载需要一些时间。

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 - 将 parser.from_file(path) 替换为 parser.from_file(path, '/path/to/server')

但我不想手动运行 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 而无需重新下载，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 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

如果你不想添加环境变量，你可以改变tika寻找tika-server.jar文件的目录，代码如下。

from tika import tika
tika.TikaJarPath = r'TIKA_SERVER_PATH'

在 TIKA_SERVER_PATH 中，jar 文件名应为 tika-server.jar（名称不应包含版本），并且 .md5 文件必须存在。如果 .md5 文件不是 tika-server.jar 的正确版本，则此方法不起作用，tika 将删除您的文件并下载默认版本。

Answer 3

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

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，因为由于未提供 Tika 1.18 版 .md5 文件（而是提供了 sha512 签名，请参阅https://archive.apache.org/dist/tika/）。所以你需要欺骗库来接受你下载的文件。

或者有人可以修补 python 库:)

Answer 4

我想知道如何获取 tika-server.jar 的 .md5 文件，因为没有提供 .md5 文件，而是提供了 sha512 签名

Answer 5

这就是这里的工作：

os.environ['TIKA_SERVER_JAR'] = "<path_to_jar_and_md5>/tika-server.jar"
os.environ['TIKA_PATH'] = "<path_to_jar_and_md5_again>"

这些是在库导入时读取的，因此请在之后导入解析器，如果您更改它们，请重新导入。