Parsing 使用ApacheTika解析和索引文档

我正试图用ApacheTika将.doc文件解析并索引到elasticsearch中。 实际上，我的项目是为我的公司建立一个简历搜索引擎

因为我们有一个标准化的简历格式，所以我想用Java中的ApacheTika解析这些简历

基本上我有这样一个.doc文件：

   Jean Wisser                                           avenue des Ternes
                                                          75017 Paris
   Business Intelligence Consultant

   Skills : Qlikview, SAS, Cognos, ...
   Companies : IBM, Orange, ...

 XContentBuilder builder = jsonBuilder()
    .startObject()
        .field("Name", "Jean")
        .field("Lastname", "Wisser")
        .startObject("Adress")
                .field("Street", "avenue des Ternes")
                .field("City", "Paris")
           ......
           .endObject()
    .endObject()

我想提取并解析内容，在elasticsearch中为其编制索引，如下所示：

   Jean Wisser                                           avenue des Ternes
                                                          75017 Paris
   Business Intelligence Consultant

   Skills : Qlikview, SAS, Cognos, ...
   Companies : IBM, Orange, ...

 XContentBuilder builder = jsonBuilder()
    .startObject()
        .field("Name", "Jean")
        .field("Lastname", "Wisser")
        .startObject("Adress")
                .field("Street", "avenue des Ternes")
                .field("City", "Paris")
           ......
           .endObject()
    .endObject()

实现这一目标的最佳方式是什么？

---

我应该使用Tika、POI或其他什么吗？

我不知道我是否理解您的问题，但是如果您需要一个工具来帮助您提取与“.doc”文件中每种类型信息相对应的信息，Tika无法自动为您这样做（如果文档的元数据中还没有这些信息），但是您需要首先准备数据（提取文本并编写自己的程序来解析和提取数据）。提取数据后，可以使用所需的字段为文档编制索引

对!！这正是我想要做的，但我不知道应该用什么来解析我的.doc文件。实际上，我想用Tika在XHTML中转换我的文件，然后使用XPATH之类的东西来提取我的字段。你有什么建议吗？首先，在考虑指数化之前，先考虑提取所需的信息。您可以逐行阅读文档，还可以使用一些正则表达式提取所需的数据。例如，如果一行以“技能”开头，那么该行的其余部分就是技能列表。您还可以使用regex提取地址，或者使用GATE（文本工程的通用体系结构）从文档中提取地址，并将结果保存在xml文件中（如果需要）。对于人名，如果所有文档的第一行都以人名开头，您应该很容易提取。如果没有，则需要使用Stanford NER进行实体识别。NER将为您提供文本中存在的人名列表。NER还可以提取campanies的名称，但我认为在您的情况下，只需搜索以“companys:”足够让您在文档中获得公司列表。对于您的建议，我认为XHTML不会有帮助。但是你可以试试：）非常感谢你的回答。实际上我想使用XHTML，因为Tika可以将任何文件格式解析为XHTML，所以如果我收到另一种文件格式（.pdf，…），我的解析方法将始终使用标准的XHTML输入。word文件的不同部分应用了不同的样式吗？或者只是随机/无样式？是的，它们有不同的样式，但我不知道如何提取它们。当我用tika提取内容时，我只得到普通文本你怎么称呼tika？如果你问对了，Tika会很乐意给你XHTML的！当我得到XHTML时，它只给我一些基本的或标记，这些标记并不可靠，因为有时人们会忘记用粗体显示标题或保持与以前相同的布局。相反，我使用正则表达式来识别简历中的块。