Извлечь встроенные TIFF в TIKA 1.12 vs TIKA 1.14

Question

Моя цель - преобразовать PDF в xhtml, чтобы встроенные изображения могли быть правильно связаны в html.

Приведенный ниже код работает в TIKA 1.12, но не 1.14. Похоже, проблема заключается в том, что в 1.12 использовался PDFBox 1.8, а в 1.14 используется PDFBox 2.0.

В 1.14 я получаю ошибки шрифта и ошибки tiff, например.

WARN org.apache.pdfbox.pdmodel.font.PDSimpleFont - No Unicode mapping for g74 (103) in font HFKECA+TimesNewRoman 

ERROR org.apache.pdfbox.tools.imageio.ImageIOUtil - No ImageWriter found for 'tif' format 

Из различных форумах и глядя на источник ТИКА казалось, что мне нужно, чтобы включить jai_imageio.jar на моем пути для ссоры. Это не остановило ошибки. Я также попытался добавить следующее с ним и замены его с jai-imageio-core-1.3.1.jar (The GitHub версия):

jempbox-1.8.13.jar 
fontbox-2.0.4.jar 
levigo-jbig2-imageio-1.6.5.jar 

Опять же, ни один из этих банок, казалось, не делать ничего. Однако использование банкомата TIKA 1.12 само по себе дает отличные результаты.

Что нужно сделать, чтобы сделать TIKA 1.14 без этих предупреждений (как это делает TIKA 1.12)?

/** 
* Licensed under the Apache License, Version 2.0 (the "License"); 
* you may not use this file except in compliance with the License. 
* You may obtain a copy of the License at 
* 
* http://www.apache.org/licenses/LICENSE-2.0 
* 
* Unless required by applicable law or agreed to in writing, software 
* distributed under the License is distributed on an "AS IS" BASIS, 
* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 
* See the License for the specific language governing permissions and 
* limitations under the License. 
*/ 

package org.apache.tika.example; 


import java.io.IOException; 
import java.io.InputStream; 
import java.nio.file.Files; 
import java.nio.file.Path; 
import java.io.FileWriter; 
import java.io.PrintWriter; 
import java.io.File; 
import java.io.FileInputStream; 
import java.io.FileOutputStream; 
import java.io.OutputStreamWriter; 
import java.io.BufferedWriter; 
import java.nio.charset.Charset; 

import org.apache.tika.config.TikaConfig; 
import org.apache.tika.detect.Detector; 
import org.apache.tika.exception.TikaException; 
import org.apache.tika.extractor.EmbeddedDocumentExtractor; 
import org.apache.tika.extractor.ParsingEmbeddedDocumentExtractor; 
import org.apache.tika.io.FilenameUtils; 
import org.apache.tika.metadata.Metadata; 
import org.apache.tika.mime.MediaType; 
import org.apache.tika.mime.MimeTypeException; 
import org.apache.tika.parser.AutoDetectParser; 
import org.apache.tika.parser.ParseContext; 
import org.apache.tika.parser.Parser; 
import org.apache.tika.sax.BodyContentHandler; 
import org.xml.sax.ContentHandler; 
import org.xml.sax.SAXException; 

import org.apache.tika.sax.ToXMLContentHandler; 
import org.apache.tika.parser.pdf.PDFParserConfig; 

public class ExtractEmbeddedFiles { 

    private Parser parser = new AutoDetectParser(); 
    private Detector detector = ((AutoDetectParser)parser).getDetector(); 
    private TikaConfig config = TikaConfig.getDefaultConfig(); 

    public void extract(String inputPath) throws SAXException, TikaException, IOException { 

    File inputFile = new File(inputPath); 
    String parentDirectory = inputFile.getAbsoluteFile().getParentFile().getPath(); 

    InputStream inputStream = new FileInputStream(inputFile); 
    File outputDirectory = new File(parentDirectory, inputFile.getName() + "-extracted"); 


    Parser parser = new AutoDetectParser(); 
    ToXMLContentHandler handler = new org.apache.tika.sax.ToXMLContentHandler(); 

    PDFParserConfig pdfConfig = new PDFParserConfig(); 
    pdfConfig.setExtractInlineImages(true); 

    ParseContext parseContext = new ParseContext(); 

    parseContext.set(PDFParserConfig.class, pdfConfig); 
    parseContext.set(Parser.class, parser); 

    EmbeddedDocumentExtractor ex = new MyEmbeddedDocumentExtractor(outputDirectory.toPath(), parseContext); 
    parseContext.set(EmbeddedDocumentExtractor.class, ex); 

    Metadata metadata = new Metadata(); 

    parser.parse(inputStream, handler, metadata, parseContext); 

    String text = handler.toString().trim(); 

    File outputFile = new File(outputDirectory, inputFile.getName() + ".xhtml"); 


    PrintWriter printer = new PrintWriter(new BufferedWriter (new OutputStreamWriter(
     new FileOutputStream(outputFile.getPath() ), 
     Charset.forName("UTF-8").newEncoder() 
))); 
    printer.print(text); 
    printer.close(); 

    } 

    private class MyEmbeddedDocumentExtractor extends ParsingEmbeddedDocumentExtractor { 
    private final Path outputDir; 
    private int fileCount = 0; 

    private MyEmbeddedDocumentExtractor(Path outputDir, ParseContext context) { 
     super(context); 
     this.outputDir = outputDir; 
    } 

    @Override 
    public boolean shouldParseEmbedded(Metadata metadata) { 
     return true; 
    } 

    @Override 
    public void parseEmbedded(InputStream stream, ContentHandler handler, Metadata metadata, boolean outputHtml) 
     throws SAXException, IOException { 

     //try to get the name of the embedded file from the metadata 
     String name = metadata.get(Metadata.RESOURCE_NAME_KEY); 

     if (name == null) { 
     name = "file_" + fileCount++; 
     } else { 
     //make sure to select only the file name (not any directory paths 
     //that might be included in the name) and make sure 
     //to normalize the name 
     name = FilenameUtils.normalize(FilenameUtils.getName(name)); 
     } 

     //now try to figure out the right extension for the embedded file 
     MediaType contentType = detector.detect(stream, metadata); 

     if (name.indexOf('.')==-1 && contentType!=null) { 
     try { 
      name += config.getMimeRepository().forName(
      contentType.toString()).getExtension(); 
     } catch (MimeTypeException e) { 
      e.printStackTrace(); 
     } 
     } 
     //should add check to make sure that you aren't overwriting a file 
     Path outputFile = outputDir.resolve(name); 

     //do a better job than this of checking 
     Files.createDirectories(outputFile.getParent()); 
     Files.copy(stream, outputFile); 
    } 
    } 
} 

Answer 1

Это странно, но это, кажется, в настоящее время работает со следующей комбинацией библиотек:

• ТИКА-приложение-1.14.jar
• jai_imageio.jar

Возможно, проблема заключалась в том, что я первоначально использовал другую библиотеку для ImageIO.

Есть variety of jai libraries available from Java, только одна из которых - библиотека выше.

Я также пробовал это GitHub library.

Возможно, никто из них не работал, кроме вышеперечисленного, но я неохотно предъявляю иск.