问题标签 [apache-tika]

验证这些文件完整性的步骤是什么？doc,docx,docm,odt,rtf,pdf,odf,odp,xls,xlsx,xlsm,ppt,pptm

或者至少其中一些。通常在上传到内容存储库时。

我猜 inputStream 总是 99,99% 从 MultiPart http 请求中正确读取，否则会抛出异常并采取措施。但是用户可以上传已经损坏的文件 - 我是否使用第三方库来检查？我在 odftoolkit、itextpdf、pdfbox、apache poi 或 tika 中没有看到类似的东西

我正在尝试索引一些 PDF 文档，然后创建一个 Search UI 。

这个问题有点相关

Solr 索引 PDF 文档并将它们发布到远程服务器

1）索引PDF文档->我使用tika jar将PDF转换为文本文件，然后使用curl命令对其进行索引。

2) 搜索 UI --> 我正在使用Solritas浏览功能及其内置 UI。

客观的 ：

当我在索引文档列表中搜索单词“Lucene”时，当我获得给定查询的结果集时，我希望为每个返回的文档显示一个链接，并单击我应该能够打开的任何文档那个文件。

我目前的想法：

我想我可能必须将第一步从两步更改为直接索引它们的一步。我什至认为 schema.xml 中应该有一个额外的字段来说明这些 PDF 文档的位置。

请指导我一些建议

我正在使用 Solr 3.3，我正在尝试从 PDF 文件中提取和索引元数据。我正在使用 DataImportHandler 和 TikaEntityProcessor 来添加文档。这是我的 schema.xml 文件中定义的字段：

所以我想元数据信息应该被索引并存储在前缀为“attr_”的字段中。

这是我的数据配置文件的外观。它从数据库中获取源目录路径，将其传递给 FileListEntityProcessor，FileListEntityProcessor 会将目录中找到的每个 pdf 文件传递​​给 TikaEntityProcessor 以提取和索引内容。

它可以很好地提取描述和创建日期，但它似乎没有提取资源名称，因此当我查询索引时文档没有标题字段。这很奇怪，因为 Creation-date 和 resourceName 都是元数据。此外，没有其他可能的元数据存储在 attr_ 字段下。我遇到一些线程说使用 Tika 0.8 存在已知问题，所以我下载了 Tika 0.9 并将其替换为 0.8。我还下载并替换了 pdfbox、jempbox 和 fontbox 从 1.3 到 1.4。

我只用 Tika 单独测试了其中一个 pdf，以查看文件中存储了哪些元数据。这是我发现的：

如您所见，它确实有一个 resourceName 元数据。我再次尝试建立索引，但得到了相同的结果。创建日期提取和索引很好，但不是资源名称。其他属性也没有在 attr_ 字段下被索引。

怎么了？

我正在使用 tika 从包含很多表格的 pdf 文件中提取文本。

它返回一些无效文本，有时它会修剪两个单词之间的空白；例如，它返回“qu inakli fmyathematical idea to the real world”而不是“Link math idea to the real world”。

有没有办法尽量减少这种错误？或者我可以使用另一个库吗？使用 OCR 处理这类 pdf 是否有意义。

我的问题只是此活动的延续，我想在输入文档中显示搜索词的页码。

Solr在搜索关键字后打开文档

所以我用

1) tika-0.9.jar将输出提取为中间文件。

2) 然后我创建另一个 XML，其中提取的输出是输入，并以 Solr 预期的格式写入数据，然后使用post.jar命令发布此 xml。

3) 我使用Solritas Serach UI和Solr 3.2版本 ( http://localhost:8983/solr/browse ) 来查看结果。

我想显示页面编号以及结果。

例子 ：

如果我在输入 PDF 中搜索单词测试，到目前为止我所管理的是显示包含此结果的所有文档集，然后单击任何文档，输入 PDF 将打开。我想在每个输入文档中显示这个词说“测试”的页面编号。

请给我一些建议，比如这是否可以通过一些如何在索引中存储页码来完成。

非常欢迎您提出建议。

谢谢并恭祝安康。

是否有一种使用Apache Commons Compress API从文件内容（即，不是文件扩展名）可靠地检测文件压缩类型的快速方法？

使用Apache Tika，可以做到

并且类型变量被检测到的文件内容的 MIME 类型（例如，text/plain、application/zip 等）填充。

理想情况下，出于多种原因，我想避免让 Tika 参与此过程，包括 Tika 似乎将 AR 存档格式误检测为“文本/纯文本”这一事实，这是 Commons Compress 可生产的格式之一。

对于 odt、ppt、pptx、xlsx 等文档，我需要获取 iana.org MediaType 而不是 application/zip 或 application/x-tika-msoffice。

如果您查看 mimetypes.xml，则 mimeType 元素由 iana.org mime-type 和“sub-class-of”组成

如何获取 iana.org mime-type 名称而不是父类型名称？

在测试 mime 类型检测时，我会：

试验结果 ：

有没有办法从 mimetypes.xml 获取实际的子类型？而不是 x-tika-msoffice 或 application/zip ？

此外，我从来没有得到 application/x-tika-ooxml，而是 xlsx、docx、pptx 文档的 application/zip。

我正在尝试通过使用 org/apache/tika/sax/BodyContentHandler.java 中的代码为 tika 构建自定义 xpath contentHandler，以识别复杂的 xpath 表达式（因为我将 tika 用于其他东西）

这个 xpath 有效

但这并不

我想将 tika 的 contentHandler（因为它修复了 html 内容不平衡标签和无效字符）与来自 javax.xml.xpath 的 xpath 评估器集成。这样做的正确方法是什么。一旦 tika 评估并修复了 html 内容，有没有办法获得输入源？

嗨，我正在使用 apache Tika，我根据我的要求对 Tika 进行了一些更改，并且我能够成功构建 Tika。但是当我尝试运行 Tika 时，我得到了以下异常，我添加了 mail.jar 和激活。jar 到类路径。

谁能帮我解决这个问题。

提前致谢...

我想将 Apache Tika 集成到我的 java 项目中。我需要从不同的文件格式（excel、doc、ppt 等）获取文本。经过阅读后，我了解到构建 tika 的唯一方法是下载 src 文件并使用 Maven 构建它。我在 Tika src (apache-tika-0.9-src) 的根目录中执行“mvn install”，但出现此错误：

我真的很感谢这个错误的任何帮助。谢谢 :-) 罗伊斯