Java 向ApacheTika添加语言配置文件

请任何人解释一下如何做到这一点：-）

我需要为我需要添加的语言获取n-gram文件吗

是否需要创建

tika.language.override.properties

，添加一些其他lang代码并在类路径上添加lang-code.ngp n-gram文件？在这种情况下，我从哪里得到它？如果只是这个问题，为什么Tika不支持更多的语言

目前，语言检测支持这些语言

da,de,et,el,en,es,fi,fr,hu,is,it,lt,nl,no,pl,pt,ru,sv,th

tika使用传统的n-gram符号

er_ 132232
_de 103517
en_ 82666
et_ 80661
for 65286
_fo 57945
de_ 51382
der 44049
at_ 41915
det 41381
_og 40344
_at 39482
ing 38707
den 36795
og_ 36577
_me 34924
nde 34528

它目前支持这些语言，但是有一些不同的n-gram文件

af  bg  cs  de  en  fa  fr  he  hr  id  ja  ko  ml  ne  no  pl  ro  sk  sq  sw   te  tl  uk   vi     zh-tw ar  bn  da  el  es  fi   gu  hi  hu  it  kn  mk  mr   nl   pa  pt  ru  so   sv  ta  th   tr  ur  zh-cn

用JSON表示法

{"freq":{"D":9246,"E":2445,"F":2510,"G":3299,"A":6930,"B":3706,"C":2451,"L":2519,"M":3951,"N":3334,"O":2514,"H" ....

看起来，从开始，应该可以添加新的语言配置文件。似乎表明它还没有像可能的那么容易，同时你需要从Nutch的NGramProfile工具开始，调整输出

---

我建议您尝试使用Nutch工具生成文件，然后查看TIKA-490上的注释，了解如何使用它们的详细信息。

TIKA中的语言标识符非常奇怪。它只需要3个字符长字符串的ngram文件。。。已经在Tika中的文件具有类似“cot”、“be_”、三个字符长的Ngram或带有“_”前缀/后缀的两个字符长的Ngram…wierd不是吗？我应该使用NGramProfile工具，但实际上我不能，因为Nuch或Tika中没有NGramProfile。。。它从源代码库中消失了。。。