上传Word文件以通过TIKA REST提取文本

Question

我正在尝试通过其REST API调用Apache-TIKA。我已经能够成功上传PDF文档并通过CURL返回该文档的文本

curl -X PUT --data-binary @<filename>.pdf http://localhost:9998/tika --header "Content-type: application/pdf"

像这样翻译成INDY：

function GetPDFText(const FileName: String): String;
var
  IdHTTP:  TIdHTTP;
  Params: TIdMultiPartFormDataStream;
begin
  IdHTTP := TIdTTP.Create;
  try
    Params := TIdMultiPartFormDataStream.Create;
    try
      Params.Add('file', FileName, 'application/pdf')
      Result := IdHTTP.PUT('http://localhost:9998/tika', Params);
    finally
      Params.Free;
    end;    
  finally
    IdHTTP.Free;
  end;
end;

现在我要上传Word文档（.docx）我以为，将文件添加到Params时，我需要做的就是更改内容类型，但这似乎不会产生任何结果，尽管我没有报告任何错误。我能够获得以下CURL命令正常运行]

CURL -T <myDOCXfile>.docx http://localhost:9998/tika --header "Content-type: application/vnd.openxmlformats-officedocument.wordprocessingml.document"

如何将我的HTTP调用从CURL -X PUT修改为CURL -T？

Answer 1

您的实现中至少有两个问题：

1. 您从CURL -X PUT到TIdHTTP的翻译是错误的。
2. 您未指定Accept HTTP标头以特定格式检索提取的文本。

如何将curl -X PUT翻译成印地语？

首先，请清楚在以下情况下curl -X PUT --data-binary @<filename> <url>与curl -T <filename> <url>相同：

• [<url>的方案是HTTP或HTTPS
• [<url>不以/结尾

因此，在您的情况下使用一种或另一种都没有关系。另请参阅curl documentation。

[其次，TIdMultiPartFormDataStream是为与POST动词一起使用而设计的，但是没有什么可以阻止您将其传递给TIdHTTP.Put的，因为它是直接从TStream派生的。甚至invariant of TIdHTTP.Post的专用TIdHTTP.Post方法都接受TIdHTTP：

function Post（AURL：string; ASource：TIdMultiPartFormDataStream）：string;重载；

要将文件上传到服务，只需使用TIdMultiPartFormDataStream方法作为参数，并使用TIdHTTP.Put作为参数，同时在HTTP标头中提供要上传的文件的正确内容类型。

最后，您尝试从文档中提取纯文本，但是没有指定服务应返回的内容类型。这是通过TFileStream HTTP标头完成的。 Accept的默认实例的属性TIdHTTP初始化为IdHTTP.Request.Accept（可能因Indy版本而异）。因此，默认情况下，Tika将返回HTML格式的文本。要获取纯文本，应将其更改为'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8'。

固定执行：

'text/plain; charset=utf-8'

根据

uses IdGlobal, IdHTTP;

function GetDocumentText(const FileName, ContentType: string): string;
var
  IdHTTP: TIdHTTP;
  Stream: TIdReadFileExclusiveStream;
begin
  IdHTTP := TIdHTTP.Create;
  try
    IdHTTP.Request.Accept := 'text/plain; charset=utf-8';
    IdHTTP.Request.ContentType := ContentType;
    Stream := TIdReadFileExclusiveStream.Create(FileName);
    try
      Result := IdHTTP.Put('http://localhost:9998/tika', Stream);
    finally
      Stream.Free;
    end;
  finally
    IdHTTP.Free;
  end;
end;

function GetPDFText(const FileName: string): string;
const
  PDFContentType = 'application/pdf';
begin
  Result := GetDocumentText(FileName, PDFContentType);
end;

function GetDOCXText(const FileName: string): string;
const
  DOCXContentType = 'application/vnd.openxmlformats-officedocument.wordprocessingml.document';
begin
  Result := GetDocumentText(FileName, DOCXContentType);
end;

，它还支持发布多部分表单数据。如果您坚持使用此方法，则应在实现中将目标资源更改为Tika's documentation并切换到/tika/form方法：

Post

为什么原始的实施方案可以处理PDF文件？

当您通过

function GetDocumentText(const FileName, ContentType: string): string;
var
  IdHTTP: TIdHTTP;
  FormData: TIdMultiPartFormDataStream;
begin
  IdHTTP := TIdHTTP.Create;
  try
    IdHTTP.Request.Accept := 'text/plain; charset=utf-8';
    FormData := TIdMultiPartFormDataStream.Create;
    try
      FormData.AddFile('file', FileName, ContentType); { older Indy versions: FormData.Add(...) }
      Result := IdHTTP.Post('http://localhost:9998/tika/form', FormData);
    finally
      FormData.Free;
    end;
  finally
    IdHTTP.Free;
  end;
end;

进行Post多部分表单数据时，Indy会自动将请求的内容类型设置为TIdHTTP。当您'multipart/form-data; boundary=...whatever...'（除非在执行请求之前先Put）数据并且因此set it manually保持空白时，情况并非如此。现在，我只能猜测，当Tika看到空的内容类型时，它会退回到某种默认类型（可能是PDF），并且仍然可以从多部分请求中读取文档。