Apache tika 如何使用ApacheTika跳过页眉和页脚提取
如何使用ApacheTika在没有页眉和页脚的情况下提取像(pdf、docx、doc、odt)这样的文档。我用所有文件格式测试了这段代码,有些文件解析良好(pdf和html),不适用于doc、docx、xlsx、xls格式Apache tika 如何使用ApacheTika跳过页眉和页脚提取,apache-tika,Apache Tika,如何使用ApacheTika在没有页眉和页脚的情况下提取像(pdf、docx、doc、odt)这样的文档。我用所有文件格式测试了这段代码,有些文件解析良好(pdf和html),不适用于doc、docx、xlsx、xls格式 import org.apache.tika.exception.TikaException; import org.apache.tika.io.TikaInputStream; import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.exception.TikaException;
import org.apache.tika.io.TikaInputStream;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.html.BoilerpipeContentHandler;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;
import org.xml.sax.SAXException;
import org.apache.tika.metadata.Metadata;
import java.io.File;
import java.io.IOException;
import java.io.InputStream;
import java.net.URL;
public class NewtikaXpath {
public static void main(String args[]) throws IOException, SAXException, TikaException {
AutoDetectParser parser = new AutoDetectParser();
ContentHandler textHandler = new BodyContentHandler();
Metadata xmetadata = new Metadata();
try (InputStream stream = TikaInputStream.get(new URL("your favourite url"))){
parser.parse(stream, new BoilerpipeContentHandler(textHandler), xmetadata);
System.out.println("text:\n" + textHandler.toString());
}
}
}
你可以按语法来做。以下是所有tika支持的文档(包括docx、pptx、odt pdf)的工作方式和工作原理
ParseContext ParseContext=new ParseContext();
AutoDetectParser=新的AutoDetectParser();
ContentHandler ContentHandler=新的BodyContentHandler();
inputStream=新的BufferedInputStream(新文件inputStream(inputFileName));
元数据=新元数据();
OfficeParserConfig OfficeParserConfig=新建OfficeParserConfig();
officeParserConfig.setIncludeHeadersAndFooters(false);
set(OfficeParserConfig.class,OfficeParserConfig);
parse(inputStream、contentHandler、元数据、parseContext);
System.out.println(contentHandler.toString())代码>请以XHTML格式阅读.look and.Grab,去掉页眉和页脚div,然后根据需要向下混合为纯文本?查找谢谢帮助。这段代码适用于html文件。我需要doc、docx、odt和pdf@LakshmanOfficeParserConfig.class在tika parser V1.4中不可用。请您在这方面帮助我。我建议您将Tika更新为1.8。Thankstika解析器还是tika core?您应该使用tika parserYeah。。我只使用Tika解析器。。但没有成功