java - 无法在 CentOS 上使用 Tika 解析 Outlook 正文

Question

我正在尝试使用 Tika 解析 Outlook 消息的 html 正文。当我在 Windows 计算机上运行以下方法时，它工作正常，并且我得到了电子邮件正文的纯文本表示形式。

private String parseHtml(InputStream stream) throws Exception {
    ContentHandler contenthandler = null;
    try {
        Metadata metadata = new Metadata();
        Parser parser = new AutoDetectParser();
        contenthandler = new BodyContentHandler();
        parser.parse(stream, contenthandler, metadata, new ParseContext());
        System.out.println(contenthandler.toString());
    }
    catch (Exception e) {
        e.printStackTrace();
    }
    return contenthandler != null ? contenthandler.toString() : null;
}

但是，当我在 CentOS VM 和物理服务器上运行相同的代码时，我得到了所有 Outlook 标记。 windows 中发生了一些事情，允许 Tika 检测 centos 上不可用的文档类型。元数据显示，当我调试时:

Windows:Content-Encoding=US-ASCII Generator=Microsoft Word 14(过滤媒体)Content-Type=text/html；字符集=us-ascii Linux:Content-Encoding=US-ASCII Content-Type=text/plain；字符集=US-ASCII

Answer 1

将评论提升为答案...

您缺少一些 Tika jar 或其依赖项

如果您使用命令行 Tika App jar，那么您需要的一切都在其中，并且它独立运行。同样，Tika Server jar 是完全独立的。

对于 OSGi 类型，您需要 Tika Core 和 Tika Bundle，但这应该是它，因为 bundle 包含 Tika 解析器及其依赖项/引用。

否则，如果您从 Java 使用 Tika，则需要 Tika Core、Tika Parsers 以及它们各自的所有依赖项。如果您依赖 tika-core 和 tika-parsers，Maven 可以为您提取依赖项，但您仍然需要确保您的部署方法继承了这些依赖项。

如果您错过了 Tika Parsers jar 和/或其依赖项，那么您仍然拥有 Tika，但没有解析器，因此解析不会返回内容。您可以通过 Tika Config 对象获取可用的解析器，并从中检查您是否拥有所需的所有解析器。