java - 使用 Apache Tika 解析 RTF 文件内的表时出现问题

Question

我正在尝试使用 Apache Tika 解析 RTF 文件。文件内有一个表几列。

问题在于解析器写出结果时没有任何信息该值位于哪一列。

我现在正在做的是:

AutoDetectParser adp = new AutoDetectParser(tc);
Metadata metadata = new Metadata();
String mimeType = new Tika().detect(file);
metadata.set(Metadata.CONTENT_TYPE, mimeType);
BodyContentHandler handler = new BodyContentHandler();

InputStream fis = new FileInputStream(file);

adp.parse(fis, handler, metadata, new ParseContext());

fis.close();
System.out.println(handler.toString());

它有效，但我需要知道元信息。

是否已经有一个处理程序可以输出类似 HTML 的内容并具有读取的 RTF 文件的结构？

Answer 1

我建议您不要向 Tika 询问纯文本版本，然后想知道所有好的 HTML 信息都去了哪里，而是直接向 Tika 询问 XHTML 文档。然后，您将能够对其进行处理，以在 RTF 文件中查找所需的信息

如果您查看 Tika 示例或 Tika 单元测试，您将看到相同的模式，可以轻松获取 XHTML 输出

    Metadata metadata = new Metadata();

    StringWriter sw = new StringWriter();
    SAXTransformerFactory factory = (SAXTransformerFactory)
             SAXTransformerFactory.newInstance();
    TransformerHandler handler = factory.newTransformerHandler();
    handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "xml");
    handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "no");
    handler.setResult(new StreamResult(sw));

    parser.parse(input, handler, metadata, new ParseContext());

    String xhtml = sw.toString();