Apache Tika 通过 jar 但不是在示例代码中提取元数据

Question

我已经能够使用以下行通过 tika-app 可执行 jar 提取元数据：

java -jar tika-app-1.13.jar --metadata example_received_regular.msg

它打印出所有的元数据。但是当我尝试在 Java 程序中执行对同一文件的简单提取时，我什么也没有得到。

public static void main(String[] args) throws Exception {
    Class<?> clazz = Class.forName("org.apache.tika.parser.ocr.TesseractOCRParser");
    FileInputStream des = new FileInputStream("/Users/jason/docstore/example_received_regular.msg");
    Tika tika = new Tika();
    AutoDetectParser parser = new AutoDetectParser();
    BodyContentHandler handler = new BodyContentHandler(-1);
    String detected = tika.detect(des);
    Metadata tikaMetadata = new Metadata();
    parser.parse(des, handler, tikaMetadata, new ParseContext());
    String[] names = tikaMetadata.names();
    for (String name : names) {
        System.out.println(name + ": " + tikaMetadata.get(name));
    }
    System.out.println(detected);
}

我的第一个想法是 tika-parser 库在运行时不知何故不可用，因此我尝试在第一行加载 TesseractOCRParser，但 class 加载得很好。执行此程序会产生以下输出：

X-Parsed-By: org.apache.tika.parser.EmptyParser
Content-Type: application/octet-stream
application/x-tika-msoffice

这似乎是我在任何地方都能找到的最基本的 Tika 元数据提取示例。提取在 jar 上运行良好，但在此示例中则不然。我错过了什么吗？

Answer 1

TikaCLI 程序使用一个特殊的 TikaInputStream 对象来填充元数据（与上面示例中的 FileInputStream 不同）。

您可以进行以下更改以打印元数据值：

public static void main(String[] args) throws Exception {
    File file = new File("/Users/jason/docstore/example_received_regular.msg");
    AutoDetectParser parser = new AutoDetectParser();
    BodyContentHandler handler = new BodyContentHandler(-1);
    Metadata tikaMetadata = new Metadata();
    InputStream input = TikaInputStream.get(file, tikaMetadata);
    parser.parse(input, handler, tikaMetadata, new ParseContext());
    String[] names = tikaMetadata.names();
    Arrays.sort(names);
    for (String name : names) {
        System.out.println(name + ": " + tikaMetadata.get(name));
    }
}

Apache Tika 通过 jar 但不是在示例代码中提取元数据

Apache Tika extracting metadata via jar but not in sample code

java

apache-tika