python将文件发送到作为服务运行的tika

Question

Reference to this question我想将 MS Word (.doc) 文件发送到作为服务运行的 tika 应用程序，我该如何执行此操作？

有一个运行 tika 的链接: http://mimi.kaktusteam.de/blog-posts/2013/02/running-apache-tika-in-server-mode/

但是对于要访问它的 python 代码，我不确定是否可以使用套接字或 urllib 或者到底是什么？

Answer 1

对于远程访问 Tika，基本上有两种方法可用。一是Tika JAXRS Server ，它提供了完整的 RESTful 接口(interface)。另一个是简单的Tika-App --server mode ，它仅适用于网络管道级别。

对于生产用途，您可能需要使用 Tika JAXRS 服务器，因为它功能更齐全。对于简单的测试和入门，服务器模式下的 Tika 应用程序应该没问题

对于后者，只需连接到运行 Tika-App 的端口，将文档数据传输到其中，然后读回 html。例如，在一个终端中运行

$ java -jar tika-app-1.3.jar --server --port 1234

然后，在另一个中，执行

$ nc 127.0.0.1 1234 < test.pdf

然后您将看到测试 PDF 返回的 html

从 python 中，您只需要一个简单的套接字调用，就像 netcat 所做的那样，发送二进制数据，然后读回结果。例如，尝试以下操作:

#!/usr/bin/python
import socket, sys

# Where to connect
host = '127.0.0.1'
port = 1234

if len(sys.argv) < 2:
  print "Must give filename"
  sys.exit(1)

filename = sys.argv[1]
print "Sending %s to Tika on port %d" % (filename, port)

# Connect to Tika
s = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
s.connect((host,port))

# Open the file to send
f = open(filename, 'rb')

# Stream the file to Tika
while True:
  chunk = f.read(65536)
  if not chunk:
    # EOF
    break
  s.sendall(chunk)

# Tell Tika we have sent everything
s.shutdown(socket.SHUT_WR)

# Get the response
while True:
  chunk = s.recv(65536)
  if not chunk:
    # EOF
    break
  print chunk