使用 apache tika Parser 对象解析 .doc 和 .docx 文件格式的问题

Question

当我尝试使用 org.apache.tika.parser.Parser 和 DefaultDetector() 来检测和解析 .doc 和 .docx 文件格式时。但是我从 Tika 罐子中抛出一些错误（不是异常），并且没有任何有用的堆栈跟踪可供我放在这里。我可以确认它只发生在 .doc 和 .docx 上。 PDF、jpeg、文本都可以。有没有人遇到过 .doc 和 .docx 文件格式的这个问题？有什么解决办法吗？

我的代码如下：

unzippedBytes = loadUnzippedByteCode(attachment.getContents()); /* This is utility method written using native Java Zip library - returns byte array byte[] */

            /* All the objects below were declared beforehand, but not initialised until now */

            parseContextObj = new ParseContext();
            dObj = new DefaultDetector();
            detectedParser = new AutoDetectParser(dObj);
            context.set(Parser.class, parser);
            OutputStream outputstream = new ByteArrayOutputStream();
            metadata = new Metadata();

            InputStream input = TikaInputStream.get(unzippedBytes, metadata);
            ContentHandler handler = new BodyContentHandler(outputstream);
            detectedParser.parse(input, handler, metadata, parseContextObj); // This is where it is throwing NoSuchMethodError - cannot understand why and also cannot get the stacktrace - using tika 1.10 */ 
            input.close();

上面的代码是我在其他一些 SO 问题中找到的，并决定将其用于我的工作。此外，我使用的 byte[] 是我从非常旧的 struts 1.0 FormFile 接口（returns byte[] 的 getFileData()）收到的东西。我曾经使用扩音器的 irex 解析器来解析，但出于多种原因决定使用 Tika。 byte[] 适用于 irex，但每当我尝试解析 .docx 和 .doc 内容时就会出现问题。

以下是由于隐私原因我屏蔽了某些部分的堆栈跟踪：

2016-01-15 16:21:06,947 [http-apr-80-exec-3] [ERROR] XXXXX.XXXX.XXXXService - java.lang.NoSuchMethodError: org.apache.poi.util.POILogger.log(I[L
java/lang/Object;)V
        at org.apache.poi.openxml4j.opc.PackageRelationshipCollection.parseRelationshipsPart(PackageRelationshipCollection.java:313)
        at org.apache.poi.openxml4j.opc.PackageRelationshipCollection.<init>(PackageRelationshipCollection.java:163)
        at org.apache.poi.openxml4j.opc.PackageRelationshipCollection.<init>(PackageRelationshipCollection.java:131)
        at org.apache.poi.openxml4j.opc.PackagePart.loadRelationships(PackagePart.java:561)
        at org.apache.poi.openxml4j.opc.PackagePart.<init>(PackagePart.java:109)
        at org.apache.poi.openxml4j.opc.PackagePart.<init>(PackagePart.java:80)
        at org.apache.poi.openxml4j.opc.PackagePart.<init>(PackagePart.java:125)
        at org.apache.poi.openxml4j.opc.ZipPackagePart.<init>(ZipPackagePart.java:78)
        at org.apache.poi.openxml4j.opc.ZipPackage.getPartsImpl(ZipPackage.java:245)
        at org.apache.poi.openxml4j.opc.OPCPackage.getParts(OPCPackage.java:684)
        at org.apache.poi.openxml4j.opc.OPCPackage.open(OPCPackage.java:227)
        at org.apache.tika.parser.pkg.ZipContainerDetector.detectOPCBased(ZipContainerDetector.java:208)
        at org.apache.tika.parser.pkg.ZipContainerDetector.detectZipFormat(ZipContainerDetector.java:145)
        at org.apache.tika.parser.pkg.ZipContainerDetector.detect(ZipContainerDetector.java:88)
        at org.apache.tika.detect.CompositeDetector.detect(CompositeDetector.java:77)
        at org.apache.tika.parser.AutoDetectParser.parse(AutoDetectParser.java:112)

我意识到我的路径有 POI jar 版本 2.5.1，根据 maven central repo，我是一只恐龙（看起来像），这可能是为什么？在将所有 these 分别用于 poi 工件和 xmlbeans 的版本 3.13 和 2.60 之后，我也遇到了错误（由@venkyreddy 在该答案中建议）。

更新我尝试从原来的工作中单独构建一个新项目，并仅在我的 class 路径中使用 tika-app-1.10.jar。我还调查了 tika-app-1.10.jar，发现所有 POI 依赖项实际上都在那里，包括 xmlbeans 和 'xml-schema'。在我的 class 路径中仅保留 tika-app-1.10.jar 后，我收到以下错误（不是异常）：

java.lang.NoClassDefFoundError: org/apache/poi/POIXMLTypeLoader
        at org.openxmlformats.schemas.wordprocessingml.x2006.main.DocumentDocument$Factory.parse(Unknown Source)
        at org.apache.poi.xwpf.usermodel.XWPFDocument.onDocumentRead(XWPFDocument.java:158)
        at org.apache.poi.POIXMLDocument.load(POIXMLDocument.java:167)
        at org.apache.poi.xwpf.usermodel.XWPFDocument.<init>(XWPFDocument.java:119)
        at org.apache.poi.xwpf.extractor.XWPFWordExtractor.<init>(XWPFWordExtractor.java:59)
        at org.apache.poi.extractor.ExtractorFactory.createExtractor(ExtractorFactory.java:204)
        at org.apache.tika.parser.microsoft.ooxml.OOXMLExtractorFactory.parse(OOXMLExtractorFactory.java:86)
        at org.apache.tika.parser.microsoft.ooxml.OOXMLParser.parse(OOXMLParser.java:87)
        at org.apache.tika.parser.CompositeParser.parse(CompositeParser.java:280)
        at org.apache.tika.parser.CompositeParser.parse(CompositeParser.java:280)
        at org.apache.tika.parser.AutoDetectParser.parse(AutoDetectParser.java:120)
        at xxx.xxx.xxx.xxx.xxxxxAttachmentWithTika(xxxService.java:792)

我浏览了包，但找不到任何 POIXMLTypeLoader class。这是一个已知的问题？有人可以回复我吗？

Answer 1

确保没有过时的 POI jar 并使用与您尝试使用的 Tika 版本匹配的 POI 版本。

class POIXMLTypeLoader 是在 POI 3.13 发布后添加到 POI 中的，所以你似乎以某种方式混合了更新的版本。只有发布 POI 3.14-beta1 才知道这个 class！确保您没有以某种方式包含该版本。

使用 apache tika Parser 对象解析 .doc 和 .docx 文件格式的问题

issues using apache tika Parser object to parse .doc and .docx file formats

java

parsing

file-type

.doc

apache-tika