python如何在现有jar文件中使用tika而无需重新下载

Question

我正在使用Tika，我意识到每次下载jar文件并将其放入临时文件夹时

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文件大小约为60MB，需要一些时间才能下载。

这是我使用的代码：

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

但是我不想手动运行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而不需要重新下载，那就更好了。

Answer 1

要解决此问题，您应该向tika服务器jar添加一个环境变量，并指定包含tika jar文件的路径文件夹。

TIKA_SERVER_JAR =‘路径_OF_FOLDER_CONTAINING_TIKA_SERVER_JAR’。

Answer 2

如果您不想添加环境变量，您可以更改tika查找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文件名应该是tika-server.jar(名称不应该包括版本)，而且.md5文件必须在那里。如果.md5文件的版本不是正确的tika-server.jar，则此方法不起作用，并且tika将删除您的文件并下载默认版本。

Answer 3

在尝试了几乎所有的方法并调试了tika.py库代码之后，我发现您必须同时设置这两个变量才能使此攻击生效。

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Tika 1.18版本没有提供.md5文件(改为提供sha512签名，请参阅https://archive.apache.org/dist/tika/)。所以你需要诱使这个库接受你下载的文件。

或者有人可以只修补python库:)