Я хочу, чтобы Tika выдавала только имена файлов в архиве (если входной файл является архивом) и содержимое файла как обычно, если входной файл не является архив. Как я могу это сделать?Извлеките только имена файлов из архива с помощью Apache Tika
0
A
ответ
3
я расширил класс ParsingEmbeddedDocumentExtractor
class CustomParsingEmbeddedDocumentExtractor extends ParsingEmbeddedDocumentExtractor {
public CustomParsingEmbeddedDocumentExtractor(ParseContext context) {
super(context);
}
public void parseEmbedded(
InputStream stream, ContentHandler handler, Metadata metadata, boolean outputHtml)
throws SAXException, IOException {
String name = metadata.get(Metadata.RESOURCE_NAME_KEY);
if (name != null && name.length() > 0) {
handler.startElement(XHTML, "h1", "h1", new AttributesImpl());
char[] chars = name.toCharArray();
handler.characters(chars, 0, chars.length);
handler.endElement(XHTML, "h1", "h1");
}
//Removed the parsing logic here.. We just want the file names..
}
}
и установить его в переменную ParseContext перед выполнением someparser.parse()
context.set(EmbeddedDocumentExtractor.class, new CustomParsingEmbeddedDocumentExtractor(this.context));
Это работает только для Zip, Tar и банку. Этого достаточно для меня.
+1
Благодарим вас за решение, которое вы нашли. Мне нужно, чтобы ParsingEmbeddedDocumentExtractor выдавал исключение (а не глотал его), когда встроенный документ терпит неудачу, и это было очень полезно. –
Смежные вопросы
- 1. Как получить теги метаданных из файлов с помощью apache tika
- 2. Удалить кеширование PDFont с помощью Apache tika
- 3. Индексирование текстовых файлов с помощью apache solr и tika
- 4. Извлеките только текст из файлов PDF с помощью CGPDFScanner
- 5. Как извлечь изображения из файла с помощью Apache TIka?
- 6. Альтернативы Apache tika
- 7. Извлечь изображения из PDF с помощью Apache Tika
- 8. apache, разрешить имена файлов с '?'
- 9. Извлеките только определенные типы файлов из папки
- 10. Как Github выпускает генерировать имена файлов архива?
- 11. Начало работы с Apache Tika?
- 12. Удаление специальных символов из текста/PDF с помощью Apache Tika
- 13. Извлечь XML-данные из файла gzip с помощью apache tika?
- 14. Извлечь текстовые данные из документа с помощью Apache Tika
- 15. Ошибка Apache Tika компиляции
- 16. Apache Tika maxStringLength достигнуто
- 17. Как написать собственный ContentHandler с помощью Apache Tika?
- 18. Извлечь имя папки только из архива zip
- 19. Извлечь файлы из zip-архива, исключая определенные имена файлов
- 20. CSV-детектор в Apache Tika
- 21. PHP создания архива файлов с именами Юникода
- 22. Получить имена файлов только из полного пути
- 23. Восстановление файлов из архива CVS *, v файлов
- 24. Apache Tika extract отсканированные файлы PDF
- 25. Показать только папки из архива zip
- 26. получить вложенные ресурсы в файлах doc с помощью apache tika
- 27. Xcopy только имена файлов
- 28. Как извлечь контент из. Файл Pst с использованием apache tika?
- 29. Apache Tika и Apache PDFBox 2.0
- 30. Извлеките только подстраницы с помощью LinkExtractor Scrapy.
Я много гулял. Нет результатов. Даже посмотрел на исходный код tika в github, чтобы получить представление. Не мог понять сам. – Vigneshwaran
Я получил ответ в своем списке рассылки. Я собираюсь попробовать это. – Vigneshwaran
Как вы используете Тику? Из Java? Tika CLI? Tika Server? – Gagravarr