java tika pdf,在java中使用Apache Tika解析时，PDF项目符号将成为问号

我不是女神ヾ 2023-01-24 04:23 152阅读 0赞

![Image 1][]

I am parsing PDF files using Apache Tika (tika-app-1.3) with this code:

InputStream input = new FileInputStream("Introduction.pdf");

AutoDetectParser parser = new AutoDetectParser();

BodyContentHandler handler = new BodyContentHandler(100 \* 1024 \* 1024);

Metadata metadata = new Metadata();

parser.parse(input, handler, metadata);

System.out.println(handler.toString());

handler.toString() is displaying PDF text, but this text also contains bullets, which are showing up as a ? symbol, but I want these bullets as-is. Is there any way to get the original, as-is content using Apache Tika? Or where does encoding need to be defined when parsing?

解决方案

The problem is most likely either the encoding your program is using to write to your console not matching the encoding the console is using to process the output of your program, or the font used by your console may not have a glyph for the character. See this answer.

One way to check is to print the numeric value of the characters in your string. Then you'll know if the text contains a ? (U+003F) or not.

It may even be that the PDF contains an image for the bullet instead of a character.

[Image 1]:

发表评论取消回复

表情：

评论列表（有 0 条评论，152人围观）

还没有评论，来说两句吧...

相关阅读

相关使用Tika进行文档解析抽取

1、文本内容抽取文件搜索的第一要务是抽取文件内容，我们使用Apache Tika。 Apache Tika是一个用户文件类型检测和文件内容提取的库，Apache顶级

偏执的太偏执、/ 2023年10月09日 11:59/ 0 赞/ 33 阅读

相关 Apache Tika 解析文件头及映射关系表

叙述检测文件类型靠读取后缀名的做法，是极度不安全可靠的。后缀名是可以任意修改的，很容易识别错误。我们使用Apache Tika来解析每个文件的文件头信息，返回具体的

灰太狼/ 2023年02月20日 04:57/ 0 赞/ 22 阅读

相关 java tika pdf,在java中使用Apache Tika解析时，PDF项目符号将成为问号

![Image 1][] I am parsing PDF files using Apache Tika (tika-app-1.3) with this code: I

我不是女神ヾ/ 2023年01月24日 04:23/ 0 赞/ 153 阅读

相关 Apache Tika使用报告

实验对象：Apache Tika 实验目的：通过尝试使用Apache Tika进行文件格式转换，加深对搜索引擎的理解和认识 -------------------- 目

旧城等待，/ 2022年05月10日 13:20/ 0 赞/ 213 阅读

相关使用Apache Tika实现内容分析

使用Apache Tika实现内容分析 Apache Tika可以抽取不同类型的内容和元信息的开源工具，如word、excel、pdf，甚至多媒体文件如JPEG、MP4。所

柔光的暖阳◎/ 2022年04月23日 08:26/ 0 赞/ 658 阅读

相关 Tika解析文件Demo

package com.qin.testparser; import java.io.File; import java.io.FileInp

浅浅的花香味﹌/ 2022年04月13日 10:27/ 0 赞/ 307 阅读

相关如何从word、excel、pdf等文件中提取文字（Tika）

Tika-内容分析工具包官方网站：[https://tika.apache.org/][https_tika.apache.org] 在maven仓库下载最新版依赖

小鱼儿/ 2022年04月04日 12:48/ 1 赞/ 393 阅读

相关 apache tika判断文件类型

判断文件类型一般可采用两种方式 1. 后缀名判断简单易操作，但无法准确判断类型 2. 文件头信息判断通常可以判断文件类型，但有些文件类型无

刺骨的言语ヽ痛彻心扉/ 2022年03月20日 14:54/ 0 赞/ 448 阅读

相关 apache tika提取文件元数据

maven坐标 <dependency> <groupId>org.apache.tika</groupId> <artifactId>t

r囧r小猫/ 2022年03月15日 07:06/ 0 赞/ 362 阅读

相关 Tika文本提取工具的使用(word、pdf、excel等)

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~ Tika的缺点就是都是

不念不忘少年蓝@/ 2022年02月27日 02:26/ 0 赞/ 1343 阅读