我正在通过python测试Apache Tika REST Api来解析HTML文件。除了一件事之外，一切都能正常工作。<noscript>标签的内部也被解析为文本，我的文本中有一些css样式内容，这是不希望的。此外，还提取了<div style="display:none">的主体。有没有办法在Tika rest API中将一些html标签列入黑名单？
浏览 20提问于2019-02-22得票数 7
虽然使用tika-解析器1.10，但只要升级到1.11，我的REST服务就无法读写json。<dependency> <artifactId>tika-parsers</artifactId>(ResponseImpl.java:433)
at org.apache.cxf.jaxrs.impl.ResponseImpl.do
浏览 1提问于2016-01-22得票数 2
回答已采纳
1回答
我正在使用Apache Tika将RTF文档转换为HTML。在Tika的RTFParser类中，我修改了使用HTMLEditorKit生成超文本标记语言文件，现在我可以生成超文本标记语言文件了。我想将元数据标记添加到生成的HTML文件的head标记中。有人能给我一个如何进行的想法吗？
浏览 3提问于2011-08-09得票数 5
除了页眉和页脚之外，我希望提取html的整个正文内容，但是我得到了异常。(XHTMLContentHandler.java:285)at org.apache.tika.parser.html.HtmlHandler.startElement(HtmlHandl
浏览 3提问于2017-03-03得票数 4
在静态块中寻找一些可能的运行时异常。但它本身没有静态块。是什么使它能够随机抛出异常并在没有任何问题的情况下运行呢？我们用蚂蚁来建造。=**
tika_jar_excludes=org/apache/tika/parser/** org/apache/xerces/** org/apache/html/** org/apache&#x
浏览 4提问于2020-07-22得票数 1
2回答
如何提取rtf表
、、、、
我一直试图使用java (POI和tika)来提取表。在定义为这样的表的.doc中，这是非常容易的。然而，在rtf文件中，似乎没有任何‘这是一个表’标记作为元数据的一部分。
浏览 8提问于2016-04-16得票数 2
回答已采纳
我碰巧知道Tika，在从word中提取文本时非常有用：但是有没有办法用它把微软的Word文件转换成XML/HTML呢？
浏览 10提问于2013-04-10得票数 0
回答已采纳
我想从html页面中提取标题、HTML正文(纯文本)、图像urls，可以使用Apache服务器来实现吗？
浏览 4提问于2014-12-23得票数 1
回答已采纳
通过大量搜索，我对Apache tika有了更多的了解。现在，在我研究Apache tika的一些站点上，我了解到Apache tika将文本转换为XML格式，然后将其发送到solr。但在转换时，它只创建一个标记示例......现在，我希望索引的文本文件是一个tomcat本地主机访问文件。这个文件是以GB为单位的。我不能存储它和一个索引。这可以在Apache Tika中完成吗？
浏览 3提问于2013-03-19得票数 2
我一直在尝试使用Lucene & Tika来解析和索引HTML页面的不同部分。例如。我想分别索引一个超文本标记语言页面的标题，H1，H2，A标签内的文本，并为它们中的每一个提供不同的提升。我正在使用Tika进行HTML解析，并创建一个Document对象，其中包含需要索引的适当字段。然而，我在Tika中找不到任何可以帮助我索引开箱即用的标签的东西。Field.Index.ANALYZED));
doc.add(new Field(name, value, Field
浏览 0提问于2011-01-10得票数 3
Apache Tika 1.6能够从PDF文档中提取内联图像。然而，我一直在努力让它工作。我已经能够通过使用自定义解析器(构建在AutoParser上)从其他文档类型中提取图像，将文档转换为超文本标记语言，然后将图像单独保存出来。然而，当我尝试使用PDF时，标签甚至不会出现在HTML中，让我访问这些文件。
有人可以建议我如何实现上述目标，最好是通过一些</
浏览 12提问于2014-09-11得票数 4
1回答
在和之后，我尝试使用X-Tika-OCR... headers配置Tesseract。在本例中，我使用的是X-Tika-OCRoutputType: hocr header，但是我获得了纯文本输出或没有HOCR标记的html输出。 -H "Content-Type: application&#x
浏览 5提问于2020-01-09得票数 2
回答已采纳
1回答
我只需要索引纯文本从HTML和拒绝所有其他HTML标签。例如:我的html类似于<head> title
</title>/test.html" rel="StyleSheet" type="text&#x
浏览 2提问于2018-10-30得票数 1
回答已采纳
1回答
但是，其中一个依赖项Apache 1.12有一些“X”依赖项，它是在对该策略进行一些更改时发布的，我认为较新版本的Tika已经纠正了这些依赖问题。+--- org.apache.tika:tika-parsers:1.12
| +--- org.apache.tika:tika-core:1.12| +-
浏览 8提问于2017-07-26得票数 1
回答已采纳
="X-Parsed-By"<meta<meta
name="stream_content_type"
浏览 5提问于2017-02-24得票数 0
我在一个文件夹(sample.pdf、sample.html等)中有一些文件，并且我正在使用以下Apache tika命令来提取元数据。java -jar tika-app.jar -m -j /sample/sample.pdf > test.txt
执行此命令后，我能够获得sample.pdf文件的所有元数据标签，但我的要求是获得特定的标签，如作者，标题等请建议我如何使用Apache tika来获得特定的元数据标签。
浏览 0提问于2013-06-24得票数 0
我正在进行的项目有一个使用Tika的WebUI (WAR)和另一个也使用Tika的应用程序(JAR)。我使用了上的Tika故障排除提示Tika version: Apache Tika 1.22
Tika detector type org.apache.tika.detect.OverrideDetectorTika detector type org.apache.<em
浏览 1提问于2019-11-15得票数 1
我想知道如何通过Java将Word .doc/.docx文件转换为文本文件。我知道有一种选择，我可以通过Word本身来做这件事，但我希望能做这样的事情：谢谢。
浏览 1提问于2010-04-26得票数 3
回答已采纳
云服务器
ICP备案
对象存储
实时音视频
云直播
腾讯云开发者
