Hyperlink 如何使用tika从office文档中提取超链接

我使用ApacheTika从各种文档格式（包括office）中提取原始文本

从包含超链接的word文档中提取文本时，只提取文本，有关超链接的信息将丢失

是否有一种方法可以配置解析器，以便也提取底层链接

    ParseContext context = new ParseContext();
    Detector detector = new DefaultDetector();
    Parser parser = new AutoDetectParser(detector);
    context.set(Parser.class, parser);
    Metadata metadata = new Metadata();

    try (TikaInputStream input = TikaInputStream.get(new File(fileName))) {

        BodyContentHandler handler = new BodyContentHandler();
        parser.parse(input, handler, metadata, context);

        String rawText = handler.toString();

        input.close();
    }

---

我正在使用tika应用程序从bash中的office文档中提取超链接。我使用--html选项输出文件的html内容。然后，我使用sed和grep过滤HTML，使其仅包含HTML中href属性的内容。我得到的结果是每个href的内容，每行一个

java -jar /root/tika-app-1.20.jar --html TEST.docx 2>/dev/null | sed 's/href/\nhref/g' | grep '^href' | sed 's/href="//' | sed 's/".*//'

---

我知道OP没有使用tika应用程序，但一般的方法也可以使用Java中的tika应用。

请tika提供文件的HTML版本，而不是现在的纯文本版本？这是一种可能的解决方法，但需要额外的后处理来处理/删除HTML标记。您可以向tika索要两次，一次是从HTML中获取链接，一次是使用纯文本？否则，是的，如果您想要链接，您需要在HTML中查找

a

标记