问题标签 [apache-tika]

我正在使用 POI 从 excel 文件中提取数据。（Excel 表中的第 5 列包含我的文件系统中存在的文件的名称）我循环遍历表的行（使用 POI 提取单元格的内容）并且对于每一行我创建 Tika 实例，并解析在第 5 列带有 Tika “parseToString(file)”，当文件是 Office 文档（excel、ppt、word）时，我收到此错误：

我认为这个问题是 POI 中嵌套使用的结果。一次在 excel 表中，然后再次在 Tika 解析调用中。

听起来合理吗？我该如何处理这个问题？

谢谢 :-) 罗伊斯

我正在尝试使用 apache tika 提取元数据，然后将其放入 HashMap 中。但我的代码只是键而不是该键的值。例如。它只存储标题（作为键）而不是它的值，在它存储关键字（作为键）但不是它的值的方式相同。
如果我尝试查看md包含什么，它会显示：-

任何帮助将不胜感激..

这段代码有什么问题...我正在尝试解析 pdf 文件并从中提取文本...但是对于某些 pdf 我能够提取文本...对于某些它会引发错误

而且对于某些pdf，我也没有在md变量中获得任何元数据值……但是对于某些人，我明白了……

这是我的代码..!! ByteArray 有问题？？

我正在尝试使用 Apache Tika 通过对二进制文件使用 ByteArrayInputStream 来解析 pdf 文件...并且开始对某些 pdf 文件出错，并且对于某些它的解析非常好..早些时候我能够使用 Tika 解析相同的 pdf 文件，但是现在当我尝试使用 ByteArrayInputStream 时，我开始收到错误..我认为 ByteArray 有问题这是我得到的错误..

这是我的代码...

任何建议我做错了什么......！

更新：- 升级到 pdfbox 1.6.0 版本后，我开始收到一些 pdf 的此错误...

对于某些pdf，此错误...

在将 PDFBOX 版本升级到 1.6.0 后，我正在尝试使用 Apache Tika 解析 pdf 文件......并且我开始为几个 pdf 文件收到此错误。有什么建议么？

这是我的代码。

我试图添加这个低于依赖而不是高于依赖 tika 以覆盖 Tika 对 PDFBOX 1.6.0 的依赖但它不起作用..

Tika Parser 依赖于 PdfBox 1.4.0 版。我想将 Apache Tika 的这种依赖关系更改为 PdfBox 版本 1.6.0。如何在我的 Pom.xml 文件中执行此操作。这是我的 pom.xml 文件。任何建议将不胜感激。

我正在使用 solr 3.3，我想将增量导入与文件实体处理器和 tika 实体处理器一起使用。完全导入工作正常，但 delta 导入参数不导入新文档。

谢谢

我在 Stack Overflow 上的第一篇文章，所以请温柔一点！我即将为客户启动一个新的 Ruby on Rails (3.1) 项目。他们的要求之一是有一个搜索引擎，它将索引大约 2,000 个文档，这些文档是 PDF、Word、Excel 和 HTML 的混合体。

我曾希望使用thinking-sphinx 或Texticle（在https://www.ruby-toolbox.com/categories/rails_search.html上最受欢迎），但据我了解：

• Texticle 需要 PostgreSQL。我在 MySQL 上。
• thinking-sphinx 不在文件系统上索引文件。
• 即使我将附件保存到数据库中，thinking-sphinx 仍然无法工作，因为它需要纯文本（根据http://groups.google.com/group/thinking-sphinx/browse_thread/thread/69cdc1c8e1c096ff）

所以我有两个选择：

1. 选择不同的搜索工具
2. 尝试将附件的纯文本版本提取到数据库中供thinking-sphinx阅读

您推荐哪种方法？

如果是不同的搜索工具，是哪一个？我的要求非常基本，所以我真的很想要一个很容易设置并且有很多文档、示例和教程的！

如果是提取，您能否推荐用于常见文件类型（如 PDF、Word、Excel 和 HTML）的提取器？

感谢大家。非常感谢您的帮助。

我正在使用一个名为 solr-php-client (http://code.google.com/p/solr-php-client/) 的 PHP 库与我的 Solr 服务器进行交互。我可以从文档中提取数据、存储它并在其上搜索，但我似乎无法让它允许我将自己的数据添加到索引参数中：

我可以查询“文本”并获得结果：

但我无法查询任何动态字段，即“SS_Stage_ms”：

以下是适用的架构定义：

我正在尝试让 Solr 与 Tika 一起工作，这样我就可以在我的 Drupal 网站中索引 Word 和 PDF 文档。

我查看了Wiki 页面和此页面，它们表明在 solrconfig.xml 中添加了 requestHandler。

我这样做了，现在 Solr 抛出了一个异常：

org.apache.solr.common.SolrException：加载类“org.apache.solr.handler.extraction.ExtractingRequestHandler”时出错

我进行了一些搜索，发现其他人遇到了这个问题，但没有简单的解决方法。我在Windows Server 2003上使用Solr 3.4.0。关于如何解决这个问题的任何想法？

附带说明一下，我已经让 Drupal 使用 Solr 进行搜索，这很有效。但是我不能让 Solr 索引 PDF 和 Word 文档。我确信这是大多数网站的共同需求，但我已经为此花费了数天时间，我无法相信它的文档记录很差，而且很难弄清楚。