3

我运行 Apache tika-server 1.22 的未修改的 JAX-RS 实例，并将其用作 HTTP 端点服务，我将文件发布到（主要是 Office、PDF 和 RTF）并通过 HTTP 请求获取纯文本再现（使用Accept="text/plain"标题）来自我们的应用程序。

从 Tika 1.15 开始，默认行为现在是“提取所有嵌入文档” TIKA-2096。

我希望能够在我们的 tika 服务器上关闭此行为，以便不提取嵌入式文档，并且我只获得主文档内容的文本再现。

是否可以通过tika-config.xml文件执行此操作，或者我是否需要进行自定义构建和子类EmbeddedDocumentExtractor以便它不做任何事情？

对tika-parser-exclude-pdf-attachments的回答表明您可以通过 subclassing 关闭此行为EmbeddedDocumentExtractor，但我想检查是否可以通过tika-config.xml无需对 tika-server 进行自定义构建来执行此操作。

我看过配置 Tika，但这里没有提到嵌入式文档。

4

1 回答 1

2

如果您通过代码调用 Tika ， tika-parser-exclude-pdf-attachments中的答案非常适合。

以前没有办法对 Tika Server 中的嵌入文件执行此操作，除了使用EmptyParser禁用整个文件类型，如下所示：

<?xml version="1.0" encoding="UTF-8"?>
<properties>
    <parsers>
        <parser class="org.apache.tika.parser.EmptyParser">
            <mime-exclude>image/jpeg</mime-exclude>
            <mime-exclude>application/zip</mime-exclude>
        </parser>
    </parsers>
</properties>

这已成为一个常见请求，因此我在 Tika 1.25（尚未发布）中添加了一个功能，以允许使用标头设置跳过嵌入文件：

curl -T test_recursive_embedded.docx http://localhost:9998/tika --header "Accept: text/html" --header "X-Tika-Skip-Embedded: true"

任何使用EmbeddedDocumentExtractor的解析器都会遵守这一点。

于 2020-11-12T03:04:16.267 回答