Tika 服务器 - 不带书签和图像标签的解析

Question

我正在使用 tika server v1.20 提取文本。

Tika在正文中添加[书签：xx]和[图片：xx]。我不要他们。

示例输出：

How the Gifted Brain Learns David A. Sousa [image: How the Gifted Brain Learns] Welcome to our Third Annual GATE Family Book Study.

复制：

运行服务器 -

java -jar tika-server-1.20.jar -p 5000

放置http://localhost:5000/tika

附加二进制文件和content-type：application/vnd.openxmlformats-officedocument.wordprocessingml.document

使用正则表达式删除此标签\[(image:|bookmark:).*?\] 是有问题的，因为这样的情况：

[image: **[1].jpg]

如何使用tika服务器不产生这个标签？如果不可能，如何删除它们？

Answer 1

虽然您可以在 Tika 中通过为 EmbeddedDocumentUtil 添加自定义 DocumentSelector 来覆盖它以在 ParseContext 中使用，但没有什么比目前在 tika-config.xml 中，也不在其命令行参数中。

顺便说一句，在 Tika 1.25 中出现的递归元数据端点有一个 header 设置，它允许您指定最大嵌入式递归（参见下面的示例）。但是，正如您想要的内容，这对您的情况没有帮助：

curl -T test_recursive_embedded.docx --header "maxEmbeddedResources: 0" http://localhost:9998/rmeta

根据您要处理的内容的哪一部分，有一个端点可能就是您要查找的内容。这是 /tika/main 端点。

curl -T website\ book\ study\ how\ the\ brain\ works\ building\ background1.docx http://localhost:9998/tika/main --header "Accept: text/plain"

这旨在复制 Tika 应用程序的 --text-main 功能，并使用专注于文件中主要内容的样板内容处理程序。因此，这不会处理嵌入的图像。

Tika Server - Parse without bookmark and image tags