问题标签 [tika-server]

我希望 Tika 只解析 zip 文件和 pdf 文件。

具有以下内容tika_config.xml：

启动 tika-server 1.17：

提交一个由 pdf ant txt 组成的 zip 文件：

我明白了

X-TIKA:EXCEPTION:embedded_exception对于不是预期类型的​​文件，在元字段中获取异常堆栈跟踪是否正常？

有没有办法在不引发异常的情况下忽略这些文件，例如将 EmptyParser 与所有可能的类型显式关联？

更新：在为 Tika 定义 .TXT 文件的 MIME 类型中单独的第 1 期，澄清并为第 2 期提供日志。

我想配置一个不解析 XML 文件的 Tika 服务器。

我编写了以下配置文件：

此配置告诉 Tika 绝对不解析任何内容。特别是，它不应该解析 XML 文件。此外，它应该无法提取任何文档，因为支持的 EmptyParser 类型是空集。让我们通过启动 Tika 服务器来验证这一点：

并提交一个简单的 XML 文件（tika_config.xml 的副本）：

我们得到：

为什么 Tika 解析那个 XML 文件？此外，为什么它使用 HtmlParser 而不是 XML 解析器？

这种优惠待遇似乎特定于 XML，因为我无法使用纯文本、应用程序/pdf、应用程序/zip、应用程序/八位字节流甚至文本/html 来复制它！但是我找不到任何关于正在发生的事情的提示。

我想定义 *.txt files: 的 MIME 类型text/txt，以便 Tika 可以应用比用于text/plain文件的解析器更具体的解析器。

glob*.txt包含在类型的定义text/plain中tika-mimetypes.xml。此外，在我看来，您无法在 中重新定义 MIME 类型custom-mimetypes.xml，只能添加新的 glob 或魔术模式。此外，如果我将text/txt类型定义为只有 globtika-mimetypes.xml的子类型，Tika 仍将 txt 文件检测为.text/plain*.txttext/plain

text/plain只为txt文件定义一个子类型是不是很荒谬？如果不是，是否可以仅使用 来定义它custom-mimetypes.xml？如果不是，那么扩展 tika 的最简单方法是什么，以便它可以解析不同于（比如说）STEP 3D CAD .stp 文件或 .cfg 文件的 txt 文件？

详细用例：我有大量由（递归）档案组成的数据源。一些纯文本文件很大，我不希望 Tika 解析它们。但是，我想保留所有的 txt 文件。

编辑：指定我也不想保留 .cfg 文件（*.cfg是一个 glob text/plain）

我想将 Apache Tika 用于企业级的大量文档。我使用哪一个，Tika Server 或 Tika App 或 Java 调用？你能给我推荐一个系统架构吗？（即负载均衡的3-4个Tika物理不同的Server）

Apache Tika 应该可以通过 HTTP 从 Python 程序访问，但我无法让它工作。

我正在使用这个命令来运行服务器（最后有和没有两个选项）：

它适用于 curl：

但是当我尝试类似的东西时（尝试了不同的标题组合，在这里我重新创建了与 python-tika 客户端使用的相同的标题）：

我尝试使用有效负载以及 fileUrl -WARN javax.ws.rs.ClientErrorException: HTTP 406 Not Acceptable在服务器上具有相同的结果和 java 堆栈跟踪。完整跟踪：

我还尝试比较（与nc -l localhost 5677 | less）两个请求的不同之处（有效载荷缩写）：

从卷曲：

来自 Python 请求库：

问题是，从 Python 调用 Tika 服务器的正确方法是什么？

我还尝试tika了仅客户端模式下的 python 库并通过 jnius 使用 tika-app。使用 tika 客户端，以及将 tika-app.jar 与 pyjnius 一起使用，当我在 celery worker 中使用它们时，我只会冻结（调用永不返回）。同时，pyjnius / tika-app 和 tika-python 脚本都可以在脚本中很好地工作：我还没有弄清楚 celery worker 内部有什么问题。我想，与错误位置的线程和/或初始化有关。但这是另一个问题的话题。

这是 tika-python 的要求：

现在看来这是 tika 服务器的某种问题：

参照：

Apache Tika REST 服务器提供带有密码状态代码 422（不可处理实体）的 PDF 文档。如果文件格式不受支持，也会发送 422。

不幸的是，无法区分文件的元数据是否由于加密或格式而无法确定。

当我通过 Tika 应用程序调用文件时，我在控制台中收到消息“加密文件”或“格式无效”。

不幸的是，结果标头也不包含其他信息。

例子：

有没有办法在 REST 调用后获得错误 422 的附加描述？最好通过标题数据的扩展。

非常感谢，问候奥利弗

我已经安装了 apache Tika 1.8，它运行良好，除了 OCR 部分不工作。我安装了 Tesseract，它也可以正常工作。当我尝试发送带有图像的pdf时，我得到以下信息。

警告：Tesseract OCR 已安装并将自动应用于图像文件，除非您已将 TesseractOCRParser 从默认解析器中排除。Tesseract 可能会显着减慢内容提取速度 (TIKA-2359)。从 Tika 1.15（和之前的版本）开始，自动调用 Tesseract。在未来的 Tika 版本中，用户可能需要通过 TikaConfig 打开 TesseractOCRParser。

我可以使用命令行实用程序配置 TikaConfig 吗？还是我必须克隆项目并更新 pom 并重建。我真的不想这样做。

这里有一些关于如何使用命令行实用程序和 TikaConfig 的信息，但我无法弄清楚如何使用它启用 TesseractOCRParser。

任何帮助，非常感谢。

我一直在尝试让 Apache-Tika 使用这个 python 包：https ://github.com/chrismatmann/tika-python

我的 python 程序中有以下代码：

但我每次都会收到 422 响应：

当我使用以下命令时，Apache Tika 确实有效：

我真的很想用 Tika-Python 包来修复这个错误，因为如果这可行的话，项目的其余部分会容易得多。

我想知道是否有任何方法使用 Tika/Python 仅解析第一页或仅从第一页提取元数据？现在，当我传递 pdf 时，它正在解析每一页。我看了这个链接：Is it possible to extract text by page for word/pdf files using Apache Tika? 但是，此链接在我不熟悉的 java 中解释了更多内容。我希望有一个python解决方案吗？谢谢！

我目前正在使用tika从 pdf 文件中提取文本。tika我在模块中找到了一个非常快速的方法。这种方法称为unpack. 这是我的代码：

但是，偶尔（不总是！）我会收到以下警告：

重试后代码开始工作。但是，我不明白这个警告，而且重试也需要时间。任何人都知道为什么我会收到此警告？

这是 github 页面： https ://github.com/chrismatmann/tika-python