我正在使用 Apache Tika 从包括 office 在内的各种文档格式中提取原始文本。
当从包含超链接的 Word 文档中提取文本时,只会提取文本,而有关超链接的信息将丢失。
有没有办法配置解析器,以便也提取底层链接?
ParseContext context = new ParseContext();
Detector detector = new DefaultDetector();
Parser parser = new AutoDetectParser(detector);
context.set(Parser.class, parser);
Metadata metadata = new Metadata();
try (TikaInputStream input = TikaInputStream.get(new File(fileName))) {
BodyContentHandler handler = new BodyContentHandler();
parser.parse(input, handler, metadata, context);
String rawText = handler.toString();
input.close();
}
最佳答案
我正在使用 tika-app 从 bash 中的办公文档中提取超链接。我正在使用 --html 选项输出文件的 HTML 内容。然后我使用 sed 和 grep 将 HTML 过滤为该 HTML 中的 href 属性的内容。我得到的结果是每个 href 的内容,每行一个。
java -jar /root/tika-app-1.20.jar --html TEST.docx 2>/dev/null | sed 's/href/\nhref/g' | grep '^href' | sed 's/href="//' | sed 's/".*//'
我知道 OP 没有使用 tika-app,但也可以使用 Java 中的 Tika 来应用一般方法。
关于hyperlink - 如何使用 tika 从办公文档中提取超链接,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33651739/