问题标签 [apache-tika]

我想清理不规则的网页内容——（可能是 html、pdf 图像等），主要是 html。我为此使用 tika 解析器。但我不知道如何应用我在 html 清洁器中使用的 xpath。

我使用的代码是，

但在这种情况下，我没有得到任何输出。但是对于 url-google.com，我得到了输出。

无论哪种情况，我都不知道如何应用 xpath。

有什么想法请...

尝试将我的自定义 xpath 作为正文内容处理程序的使用方式，

但没有得到给定xpath中的内容..

是否可以使用 Apache Tika 从 microsoft office 格式获取剪贴板的内容？我怎样才能实现它？

我已经下载了 Apache Tika 源文件夹，并且已经安装了 Maven。然后通过命令行（mvn install）我安装了 Tika：

但现在我不知道在我的项目中使用 Tika 的下一步是什么。实际上我不知道如何在我的项目中添加 Tika。

我使用 Tika 源而不是 jar 文件的原因是我想将farsi.ngp文件添加到languageIdentificationTika。我已经farsi.ngp通过 Maven 添加并构建了 Tika，但现在我不知道下一步是什么。我真的必须在我的项目中添加什么？

Apache Tika 的 GUI 实用程序提供了一个选项，用于获取给定文档或 URL 的主要内容（格式文本和结构化文本除外）。我只想知道哪个方法负责提取docs/url的主要内容。这样我就可以将该方法合并到我的程序中。还有他们在从 HTML 页面中提取数据时是否使用任何启发式算法。因为有时在提取的内容中，我看不到广告。

更新：我发现BoilerPipeContentHandler对此负责。

在 nutch 中，我正在实现一个插件，它将获取网页的内容并以特殊方式处理它们。

我的主要问题是我想将网页转换为纯文本以便能够处理，我读到 tika 工具包可以做到这一点

所以，我发现这段代码使用 tika 来解析 url，我把它写在 filter 方法下

metadata.get(Metadata.CONTENT_TYPE) 的结果是 text/html

但是 handler.toString() 是空的！

更新：我也尝试在解析器方法之后使用这一行

我得到了这个结果：状态：未解析（0,0）

I'm using Apache Tika for extracting metadata from documents. I'm mostly interested in setting up a basic dublin core, like Author, Title, Date, etc. I'm not interested in the content of the documents at all. Currently I'm simply doing the usual thing:

Is there some way to tell Tika to not parse the content? I'm hoping that this will speed things up as well as save memory.

如何使 Apache Tika 索引 PDF 和文本文件（包括子目录）的目录并将其提交给 Apache Solr，以便我可以使用搜索引擎搜索该目录的内容？

任何建议，在 Windows 或 Linux 上都没关系。我无法让它工作，因为这两个项目的文档主要是为开发人员准备的，这很好，但是，我不能让他们这样做，因为文档含糊不清，对于非 java 来说不够清晰开发商。

非常简单：我如何使用 Apache Lucene 系列项目构建搜索引擎，这些项目可以索引并提供对 /home/material 或 c:/material 或 /cygdrive/c/material 的搜索

非常感谢提前

我一直在使用 Apache Tika 将 PDF 文件的内容提取到字符串中。但是，我需要在文件中搜索一些模式。

我相信我可能不得不使用正则表达式来搜索字符串。这是正确的方法和使用 Tika 检查 PDF 文件中是否存在特定关键字。

我正在使用以下代码，但它没有与正则表达式匹配。keyword是我希望在我的文本中找到的字符串。

我正在使用 Tika 解析器将我的文件索引到 Solr。我创建了自己的解析器（扩展了 XMLParser）。它使用我自己的 mimetype。我创建了一个 jar 文件，里面看起来像这样：

在 custom-mimetypes 中我放了新的 mimetype 的定义，因为我的 xml 文件有一些特殊的标签。

现在问题出在哪里：我一直在本地机器上安装的 glassfish 上使用 Solr 测试解析和索引。它工作得很好。然后我想将它安装在某个远程服务器上。安装了相同版本的 glassfish (3.1.1)。我复制粘贴了 Solr 应用程序，它是包含所有库的主目录（包括 tika jar 和带有我的自定义解析器的 jar）。不幸的是，它不起作用。将文件发布到 Solr 后，我可以在内容类型字段中看到它检测到我的自定义 mime 类型。但是，如果从未运行过 MyParser 类，则没有假设存在的字段。我得到的唯一字段是来自都柏林核心的字段。我检查了（通过简单地添加一些打印行）Tika 只使用 XMLParser。有没有人遇到过类似的问题？如何处理？

我想在 lucene 索引中添加 pdf 文件（可能我做了）。现在我想通过 lucene 邻近搜索查询提取特定文本。

邻近搜索查询仅返回文件名。

But i want to extract all texts within the proximity query range.

示例案例：test.pdf:-->“示例文本 A xxxxx B. Lucene 一直都很棒”

邻近查询是：AB ~5

我要提取：xxxx

我能怎么做......？

提前感谢您的帮助和提示............

问候，

森蒂尔·萨拉瓦南