apache-tika 相关问题

tika.parseToString 返回空字符串

为什么下面的应用程序不会打印文件内容？ 包 org.example; 导入 org.apache.tika.Tika； 导入java.io.文件； 公共课 TikaFirstTry { public static void main(String[...

使用 python 根据条件将文本分成段落

我已经将一个非结构化的 pdf（使用 tika）转换成可读的文本，分成单独的句子（尽管如果更容易的话，这些可以合并成一大块文本）。看这里的山姆...

不一致的 AWS Opensearch 摄取附件处理器行为

我们正在为我们的一个应用程序使用 AWS OpenSearch。我们已配置摄取附件处理器以从 .docx 文件中提取文本。 这是我们的环境设置详细信息， 注意：对于 DEV/QA，...

在构建 tika-parser-pkg-module-2.7.1-SNAPSHOT-tests.jar 时消除了 Avast 威胁

所以我刚刚从 github 下载了 tika repo，我正在尝试构建它。 但是由于以下原因构建失败 [错误] 无法执行目标 org.apache.maven.plugins:maven-install-plugin:3.1.0:install (def...

在 java 中使用 Pdfbox 从 pdf 文件中提取文本时如何获取行号？

有没有办法让我使用pdfbox提取的文本中没有行？ 我没有使用 .getNumberOfPages() 方法的页面。 我正在遍历页面以逐页提取文本...

在任何文档中使用apache Tika检测图像？

我使用Apache Tika来提取上传文件的内容，而且我不想解析有嵌入图像的文件。目前，我使用ToXMLContentHandler并试图找到

用Solr对PDF进行索引

谁能给我指点一下教程。我对Solr的主要经验是索引CSV文件。但是我找不到任何简单的指导教程来告诉我，我需要做什么来索引pdfs。我看到过这个：...

使用德语进行简单的Elasticsearch PDF文本搜索。

我想创建一个简单的PDF-Search客户端，访问Elasticsearch REST API。为了存储我的PDF文档，我只需要存储PDF文件的路径（例如ID）和它的内容（文本）， ...

如何在Aspose或Apache Poi中解析MS Word的样式分离段落？

ms word文档有多样式的段落，通常每个段落有一个样式，但你可以用样式分离工具在一个段落上组合两个及以上样式的文本。那么如何让子...

Tika-潘达斯桥导出PDF内容到Excel？

我想让Python读取一个PDF文件("Spain.pdf"，包含11列59行，其中一行是页眉)，并将其内容导出到Excel。这里有很多PDF-Excel的帖子，但是没有......

为什么Apache Tika检测一个jar文件的mime-类型为applicationzip而不是applicationjava-archive？

我试图检测一个jar文件的mime-type代码工作正常，但问题是Apache Tika返回applicationzip而不是applicationjava-archive的java Jar文件，我上传的Jar文件......

Apache Tika: 从档案中提取文件名和MIME类型。

我希望Tika只输出文件的fileName和MIME类型。我找到了一些RecursiveParserWrapperHandler的解决方案，但问题是BodyContentHandler总是试图解析整个文件和 ...

从1.8.x迁移到PDFBox 2.0.x [关闭]

我目前正在将我们的PDFBox依赖关系从1.8.x迁移到2.0.x，我遇到了几个错误。Error:(22, 50) java: cannot find symbol symbol: class PDRadioCollection location: package org...。

Apache Tika Server-请求标头参数？

Apache Tika Server提供了Rest API，用于从文档中提取文本。也可以设置特定的请求标头参数，例如X-Tika-PDFOcrStrategy。例如：$ curl -T test / Dokument01 ....

是否可能在Apache-Tika中为单个解析运行两个ContentHandler？

我正在使用Apache Tika解析文档，并生成文档的纯文本版本和HTML预览。如果我两次调用parse函数并传入...

使用德语的简单Elasticsearch PDF文本搜索

我可以从我的PDF文件中处理/提取文本，我不知道我是否对如何在Elasticsearch中存储内容使用正确的方法。我的PDF文本主要是德语-带有诸如...

Docker python tika

我喜欢创建一个Dockerfile，该文件安装所有必要的组件以在Docker容器中运行python-tika。到目前为止，这是我的Dockerfile：###从python：3中获取python：RUN pip3 install --...

如何检测MIME类型是否为可执行文件？

[我正在使用Apache Tika检测输入流的mime类型，我想知道是否有一种现成的方法可以检测到此文件是可执行文件，有一大堆可执行文件...

如何使用Tika API查找.bat文件的mime类型？

我正在使用tika-core.jar来检测mime类型。当我尝试查找bat文件的mime类型时，它给出的mime类型为text / plain而不是application / x-bat。

Apache TikaParser引发无法捕获的异常

我目前正在尝试开发一种使用Apache TikaParser从不同文件中提取内容的工具。在大多数情况下，一切正常，但在某些文件中，Tika会抛出...