apache-tika 相关问题

根据字符串python的开始关键字和结束关键字切割字符串

我有一个pdf文件，我已经通过python中的Tika软件包阅读了。看来tika只能阅读整个pdf，而我只需要阅读第一页。我的代码如下所示：从tika导入解析器raw =解析器....

python如何在不重新下载的情况下将tika与现有的jar文件一起使用

我正在使用Tika，我意识到每次下载jar文件并将其放在Temp文件夹中检索http://search.maven.org/remotecontent?filepath=org/apache/tika/tika-server/1.19/ tika -...

Apache tika为csv错误地检测到mime类型

尝试一下...

上传Word文件以通过TIKA REST提取文本

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 curl -X PUT --data-binary @ 。pdf ...

如何为tika手动安装.jar文件？

我正在使用tika从python的pdf中提取文本。但是，每次运行时都会下载.jar。这很费时间。 [MainThread] [INFO]检索http：//search.maven.org/remotecontent？...

从tika-app调用ctake解析器时获得异常

从tika-app调用cTAKES解析器时，得到以下信息：java -classpath $ HOME / src / ctakes-config：$ {TIKA_HOME} /tika-app/target/tika-app-XY-SNAPSHOT.jar：$ {CTAKES_HOME} / desc：$ {CTAKES_HOME} / ...

如何在c＃或python或tika中提取.NSF文件

任何人都知道如何从.NSF文件中提取邮件文件和其他数据之类的数据。如何通过编程来做到这一点。

如何从tika-python lib设置TIKA_SERVER_ENDPOINT

[https://github.com/chrismattmann/tika-python文档中的优秀lib tika-python显示，可以设置tika_server.jar文件以避免每次使用...时进行下载...

来自字符串候选列表的模糊匹配

我有一份要从大量PDF文档中解析的公司名称列表。我已通过Apache Tika强制PDF提取原始文本，并且得到了200个列表...

当问题与pdf无关时，如何处理Tika Server警告422？

我的问题与这个人的问题非常相似：422 Tika服务器响应？ Tika-Python，但不完全是。他的问题似乎在于阅读某些文档，但Tika可以正常工作，而...

OCR支持Tesseract通过SOLR

[好，我正在尝试将SOLR配置为使用Tesseract OCR引擎从图像中提取文本，但是还没有成功。 SOLR从结构化文本文档（.xls，.pdf，...

SpringBoot中的Tika解析器配置

我在项目中使用了tika解析器。我正在使用此包中的三个类：org.apache.tika.Tika; org.apache.tika.parser.txt.CharsetDetector; org.apache.tika.parser.txt.CharsetMatch;最后...

我可以从Stormcrawler获得哪些值/字段？

我正在使用Stormcrawler 1.15，ElasticSearch 7.5，并按照本教程进行操作以启动SC：https://www.youtube.com/watch?v=KTerugU12TY在我的crawler-conf.yaml中，我有：＃索引器。 md ....

在tika-config.xml中更改解析器会导致“无法加载org.apache.tika.parser.DefaultParser”

我正在尝试在Nutch中启用Tika的BoilerpipeContentHandler解析器以从网页提取文章文本。为此，我已经配置了tika-config.xml以排除HTMLParser并激活...

使用Content-Type标头从eml文件中提取附件名称

我正在使用Tika服务器解析一堆eml文件。使用/ rmeta端点时，提取emls和附件的内容以及元数据都可以正常工作。正确的附件文件出现问题...

Tika解析错误：您正在调用POI中处理OOXML的部分。您需要调用POI的其他部分来处理此数据

我想用Tika解析.doc文件，但是它不起作用。我得到的错误是：由以下原因引起：org.apache.poi.openxml4j.exceptions.OLE2NotOfficeXmlFileException：提供的数据似乎在...

我如何清除pdf提取的代码，以便以后使用]]

我正在尝试从发票（pdf）中提取数据，将数据写入CSV并将所需的信息提取到GUI中（例如，该周售出了多少产品），我无法使用pypdf ...] >

AttributeError：“字节”对象在运行Tika解析器时没有属性“关闭”

我正在尝试使用Tika运行简单的代码解析行来解析PDF中的文本（在此示例中名为outputFileName）。这曾经运行没有错误。我最近将笔记本电脑送去了我们的工作...

如何从不可搜索的pdf中检测可搜索的pdf？

我有一堆pdf文件，有些是可搜索的常规pdf文件，有些是某些文档的扫描版本，这些文件无法搜索。我想提取每个pdf的内容。到...

将.doc / .docx转换为带有保留表的文本

我想将doc / docx文件转换为文本文件。我的要求是表格应该保持原样。我尝试了python tika。它将行转换为列，例如输入doc / docx文件中的表...