使用 apach tika 解析器从 XML 文件中的 xml 标签中提取文本

问题描述

我正在尝试从各种文档中提取所有文本.为此，我使用的是 Apache Tika 1.4.

I am trying to extract all the text out of various documents.And for that I am using Apache Tika 1.4.

RecursiveTikaParser parser = new RecursiveTikaParser(new AutoDetectParser());
ParseContext parseContext = new ParseContext();
parseContext.set(Parser.class, parser);

这里的 RecursiveTikaParser 只是 AutoDetectParser 的一个包装器.

RecursiveTikaParser here is just a wrapper on AutoDetectParser.

解析方法是这样的 -

Parse method for which is something like this -

ContentHandler content = new BodyContentHandler(-1);
Metadata metadata = new Metadata();
super.parse(stream, content, metadata, context);
System.out.println("Parsed text is " + content.toString());

现在，此代码必须能够处理多个文件，这就是我使用 AutoDetectParser() 的原因

Now, this code has to be able to handle multiple files so that's why I am using AutoDetectParser()

我在测试中注意到给定一个 xml 文件 - 我只能提取标签之间的文本，而不能提取注释、标签.

I noticed in my testing that given an xml file - I can only extract the text that is between the tags and not the comments, tags.

是否可以使用我目前的方法从文本文件中提取所有内容?

Is it possible to extract everything from the text file with my current approach ?

推荐答案

试试这个

    Metadata metadata = new Metadata();
    stream = TikaInputStream.get(stream, null);
    String mimtType = DETECTOR.detect(stream, metadata).toString();
    Parser parser;
    if (mimtType.equalsIgnoreCase("application/xml")) {
        parser = new TXTParser();
    } else {
        parser = new AutoDetectParser();
    }

    ContentHandler content = new BodyContentHandler();
    parser.parse(stream, content, metadata, new ParseContext());
    System.out.println(content.toString());

这篇关于使用 apach tika 解析器从 XML 文件中的 xml 标签中提取文本的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！