问题标签 [apache-tika]

当我尝试从我的 PDF 文件中提取文本时，它似乎会在几个单词之间随机插入空格。

我在本页下载部分的以下示例文件中使用 pdfbox-app-1.6.0.jar（最新版本）：http: //www.sheffield.gov.uk/roads/children/parents/6-11/pedestrian -训练

我已经尝试过其他几个 PDF 文件，它似乎在几个页面上都在做同样的事情。

我执行以下操作：

java -jar pdfbox-app-1.6.0.jar ExtractText -force -console ~/Desktop/ped training pdf.pdf

在下载的文件上，您会在控制台的结果中看到错误插入以下空格：“• 如果孩子们能够安全地步行上学，这可能会减少拥堵。”

“• 为以后的生活养成好习惯。”

“www.sheff ield.gov.uk”

“超前思考！，这是基于”

等等等等

正如你所看到的，上面的几个单词之间有空格，我无法理解。

我在 ubuntu 上运行 Sun 的 JDK 1.6。

我已经在几个不同的 PDF 文件上尝试过这个，并尝试在论坛上搜索解决方案，有类似的错误，但似乎都已解决。

任何帮助或如果其他人有同样的问题，请发表评论。这会导致正确索引内容以进行搜索的大问题。

首先，我已经解决了这里有关为小程序包含 jar 文件的所有问题。但即便如此，我也有这个“巨大”的问题。

我正在使用 java 和 Apache-Tika 库开发一个应用程序（有 4 个 jar，总大小为 40 mbs）。应用程序需要计算上传文档（doc、docx、odf、pdf 等）中的字数。该小程序在 Netbeans 6.5 或 Eclipse IDE 中运行得非常好，我将它们并排用于开发。但是当我尝试将它部署到浏览器时，出现了问题。

问题

初始页面加载得很好。但是当我给出文档的路径并单击确定（或计数）时，我会收到大量错误消息。这些都是与外部 Apache-Tika 库相关的“ Class Not Found Exceptions ”。我想我已经正确地完成了库的所有包含，否则它不会在小程序查看器中运行。

至于 HTML，我创建了整个 Word-Counter 应用程序的 jar，以及库（4 个 Apache-Tika Jars）和所有其他必要的文件，并相应地将 jar 包含在标签中。我是否需要在 HTML 文件中提及有关嵌套 jar 库的任何内容，嵌套 jar 是否有限制？任何形式的帮助都会受到高度赞赏。谢谢你提前了解了人们。

我有一个外部库（比如 A.jar），里面有很多我不想要的东西，还有一些我想要的东西。问题是，从我的源文件（我用那个库编写的，只导入其中的几个），但肯定只包括那些类是行不通的（因为我试过了）。我不知道（一个非常大的）A.jar 中的类文件的内部依赖关系（如果这就是所谓的）。

问题 我使用什么工具，比如说，只将那些需要的类（以及我不知道的依赖项）导入到不同的文件夹（或另一个 Jar 文件）中。Maven 是正确的工具吗？如果是，我该如何使用它来实现我的目标？

该库是 Apache-Tika 库。我在我的代码中导入了以下内容。

我需要分析 doc、docx、pdf、odf、ppt、pptx、xls、xlsx、rtf、txt 文档。所以，我需要知道这个最小的库。

我有一个文件需要在我们的 solr 服务器上建立索引。如何上传文件？我知道如何使用 curl： curl "http://localhost:8983/solr/update/extract?literal.id=doc1&uprefix=attr_&fmap.content=attr_content&commit=true" -F "myfile=@tutorial.html"

（来自http://wiki.apache.org/solr/ExtractingRequestHandler）但我不知道如何将其翻译为 rsolr ruby​​gem。

提前致谢。

我对 Solr 的 pdf 文本提取有疑问。Solr 使用 Apache Tika 来提取 PDF 文件的文本，而 tika 使用 PDFBox 来提取文本。当我将我的 PDF 文件发送到 Solr 时，它会成功提取文本，但文本完全混乱。类似的东西

MonaPersNr.KSt.KUZKapaz.Sollstd.MonatJahrtsbericht

但是，当我使用以下命令在命令行中直接使用 PDFBox 提取相同的 PDF 文件时，我会得到一个不错的结果。

java -jar pdfbox-app-1.6.0.jar ExtractText -console test.pdf

我不知道 solr 使用哪个 Tika 版本或更好的 PDFBox 版本。我什至在 solr 战争文件中找不到该库... lib 目录中的所有库如下：

如果有人知道解决方案，我会非常高兴。

我在使用Tika导入Solr时遇到困难，我的文档在索引网页时不断崩溃。

我正在删除 Tika 文档的内容并重新开始导入，但这非常繁琐，而且我显然丢失了这些文档的内容。

这是崩溃日志：

崩溃的数据示例：

我正在使用 SOLR 3.4 将富文本文档索引到 SOLR 3.4 中ExtractingRequestHandler，但我无法让它表现得像我想要的那样。

我想将创建日期存储为稍后用于分面搜索的字段，并在中定义了以下内容schema.xml：

我这样索引：

我得到了动态字段attr_creation_date（其他规则确保），但我没有得到creation_date. 我也没有成功地尝试过这样使用copyField：

另一个尝试是把它放进去solrconfig.xml，但没有运气：

我很确定我在这里遗漏了一些基本的东西。非常感谢任何帮助！

ExtractingRequestHandlerin 的设置solrconfig.xml：

我的schema.xml文件（很多默认的东西）：https ://gist.github.com/1358002

我已经看到 Apache Tika 的 1.0 版本，它简化了 Java 中的很多元数据提取，我想知道它是否可以在 Android 中使用。

似乎 Solr 没有正确解析我的 PDF 文件。我想知道使用 Apache Tika（我相信它在内部使用 PDFBox）来解析 PDF 文件是否还有其他选择？使用它时，我的内容之间似乎出现了随机空格。我已经通过直接通过 PDFBox 运行 PDF（最新版本）来隔离问题，这有同样的问题。

一些 OCR 商业软件（例如 Omnifind）在 PDF 上运行良好，但我们无法以相同的方式将它们与 Solr 集成，购买也不是一种选择。

所以我安装了 Community 4.0.a 并使用 mimetype-map.xml 扩展了 mimetype 列表，就像我之前在 3.4 中所做的那样

ETC...

但是每次我导入 DITA 文件时，它要么被识别为 XML 文件，要么被识别为 PLAIN TEXT。我已经深入研究了它，看起来这是因为 Apache TIKA 分析了文件的开头以检查它的 mimetype。

如何使用我的自定义 mimetype-map 快捷方式 TIKA（从代码中可以看出，TIKA 首先被触发，如果它找到了一些东西，那么游戏就结束了）？

我是否必须扩展 TIKA 编写自己的解析器？