- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
好的。我想出了如何使用 Apache Tika 搜索它可以处理的一些文件类型,而无需我提供比 tika-example
中存在的代码更多的代码:
public class MyFirstTika {
public static boolean contains(File file, String s) throws MalformedURLException,
IOException, MimeTypeException, SAXException, TikaException{
ContentHandler handler = new BodyContentHandler();
MimeTypes mimeRegistry = TikaConfig.getDefaultConfig().getMimeRepository();
Detector mimeDetector = (Detector) mimeRegistry;
LanguageIdentifier lang = new LanguageIdentifier(new LanguageProfile(FileUtils.readFileToString(file)));
Parser parser = TikaConfig.getDefaultConfig().getParser(MediaType.parse(mimeRegistry.getMimeType(file).getName()));
Metadata parsedMet = new Metadata();
parser.parse(file.toURI().toURL().openStream(), handler,parsedMet, new ParseContext());
return handler.toString().toLowerCase().contains(s.toLowerCase());
}
public static void main(String[] args) throws Exception
{
String searchString = "champion";
String filename = "schedule.pdf"; //test.docx";//"meds.xlsx";//Test2.Doc";
File file = new File(filename);
System.out.println(file + " contains " + searchString + ": "
+ contains(file, searchString));
}
}
以上可以判断以下文件类型是否包含单词或短语:.doc.docx.xlsx.pdf。TXT.html
它不适用于 .java
文件或 .xml
文件。
(a) 我需要做什么我想查看扩展名为 .java
或 .xml
的文本文件是否包含单词或短语?
(b) 这些不是我经常创建或编辑的唯一类型的文件。有没有办法让 Apache Tika 在不指定扩展名的情况下检测文件是否为文本文件?
编辑 背景:我为 Windows 编写了一个比搜索命令更好用的搜索程序。现在,我正在尝试在模式匹配文件中添加对特定文本的搜索。
编辑
这是当我在 Copy.java
中搜索 void
时程序的输出(经过修改以提供以下信息):
Examining: [copy.java]
The MIME type (based on filename) is: [text/x-java-source]
The MIME type (based on MAGIC) is: [application/octet-stream
The MIME type (based on the Detector interface) is: [text/plain]
The language of this content is: [et]
Parsed Metadata:
Parsed Text:
copy.java contains void: false
那么为什么它没有找到 void
? (答案:因为它没有找到任何Parsed Metadata
或Parsed Text
,但为什么没有找到那些?它应该显示整个文件。
我将 copy.java
复制到 copy.txt
。程序 DID 发现 void
。当我将 build.xml
复制到 build.txt
时发生了同样的事情。
也许这个添加的信息有助于回答这个问题:“我如何处理 .java
和 .xml
以及其他文本文件,例如 .c
等等?”
请注意搜索 copy.TXT
的输出:
run:
Examining: [copy.TXT]
The MIME type (based on filename) is: [text/plain]
The MIME type (based on MAGIC) is: [application/octet-stream
The MIME type (based on the Detector interface) is: [text/plain]
The language of this content is: [et]
解析的元数据:
Content-Encoding=UTF-8 Content-Type=text/plain; charset=UTF-8
解析的文本:
public static void main(String[] args) throws IOException {
EventQueue.invokeLater(new Runnable()
{ @Override
public void run() {
insUserIO = new UserIO();
}
}
);
}
copy.TXT contains void: true
BUILD SUCCESSFUL (total time: 1 second)
整个修改后的程序
package org.apache.tika.example;
import java.io.File;
import java.io.IOException;
import java.net.MalformedURLException;
import org.apache.commons.io.FileUtils;
import org.apache.tika.config.TikaConfig;
import org.apache.tika.detect.Detector;
import org.apache.tika.exception.TikaException;
import org.apache.tika.language.LanguageIdentifier;
import org.apache.tika.language.LanguageProfile;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.mime.MediaType;
import org.apache.tika.mime.MimeTypeException;
import org.apache.tika.mime.MimeTypes;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;
import org.xml.sax.SAXException;
public class MyFirstTika {
static boolean debugging = true;
public static boolean contains(File file, String s) throws MalformedURLException, IOException, MimeTypeException, SAXException, TikaException{
ContentHandler handler = new BodyContentHandler();
MimeTypes mimeRegistry = TikaConfig.getDefaultConfig()
.getMimeRepository();
if(debugging) System.out.println("Examining: [" + file + "]");
if(debugging) System.out.println("The MIME type (based on filename) is: ["
+ mimeRegistry.getMimeType(file.toString()) + "]");
if(debugging) System.out.println("The MIME type (based on MAGIC) is: ["
+ mimeRegistry.getMimeType(file + "]"));
Detector mimeDetector = (Detector) mimeRegistry;
if(debugging) System.out
.println("The MIME type (based on the Detector interface) is: ["
+ mimeDetector.detect(file.toURI().toURL()
.openStream(), new Metadata()) + "]");
LanguageIdentifier lang = new LanguageIdentifier(new LanguageProfile(
FileUtils.readFileToString(file)));
if(debugging) System.out.println("The language of this content is: ["
+ lang.getLanguage() + "]");
Parser parser = TikaConfig.getDefaultConfig().getParser(
MediaType.parse(mimeRegistry.getMimeType(file).getName()));
Metadata parsedMet = new Metadata();
parser.parse(file.toURI().toURL().openStream(), handler,
parsedMet, new ParseContext());
if(debugging) System.out.println("Parsed Metadata: ");
if(debugging) System.out.println(parsedMet);
if(debugging) System.out.println("Parsed Text: ");
if(debugging) System.out.println(handler.toString());
return handler.toString().toLowerCase().contains(s.toLowerCase());
}
public static void main(String[] args) throws Exception
{
File file = new File(filename);
System.out.println(file + " contains " + searchString + ": "
+ contains(file, searchString));
}
static String searchString = "void";
static String filename = "copy.TXT";
}
最佳答案
非常感谢@Gagravarr 引导我使用AutoDetectParser
!
下面的小程序在所有类型的“文本”(人类可读)(和其他——例如,.doc*
)文件中找到了文本,包括 private.properties
、ParsingExample.java
(本身!)、test.doc
、test.pdf
(由 Word 制作)、gradlew。 bat
等等等等
package org.apache.tika.example;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.net.MalformedURLException;
import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.mime.MimeTypeException;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.SAXException;
public class ParsingExample {
public static boolean contains(File file, String s) throws MalformedURLException,
IOException, MimeTypeException, SAXException, TikaException
{
InputStream stream = new FileInputStream(file);
AutoDetectParser parser = new AutoDetectParser();
BodyContentHandler handler = new BodyContentHandler(-1);
Metadata metadata = new Metadata();
try{
parser.parse(stream, handler, metadata);
return handler.toString().toLowerCase().contains(s.toLowerCase());
}
catch (IOException | SAXException | TikaException e){
System.out.println(file + ": " + e + "\n");
return false;
}
}
public static void main(String[] args)
{
try {
System.out.println("File " + filename + " contains <" + searchString + "> : "
+ contains(new File(filename), searchString));
} catch (IOException | SAXException | TikaException ex){
System.out.println("Error: " + ex);
}
}
static String parseExample = ":(";
static String searchString = "slom";
static String filename = "C:\\Users\\Dov\\x.pdf";
}
/**
* Example of how to use Tika to parse a file when you do not know its file type
* ahead of time.
*
* AutoDetectParser attempts to discover the file's type automatically, then call
* the exact Parser built for that file type.
*
* The stream to be parsed by the Parser. In this case, we get a file from the
* resources folder of this project.
*
* Handlers are used to get the exact information you want out of the host of
* information gathered by Parsers. The body content handler, intuitively, extracts
* everything that would go between HTML body tags.
*
* The Metadata object will be filled by the Parser with Metadata discovered about
* the file being parsed.
*
* Note: This example will extract content from the outer document and all
* embedded documents. However, if you choose to use a {@link ParseContext},
* make sure to set a {@link Parser} or else embedded content will not be
* parsed.
*
* @return The content of a file.
* I let Netbeans add next 3 lines:
* @throws java.io.IOException
* @throws org.xml.sax.SAXException
* @throws org.apache.tika.exception.TikaException
*/
关于java - 如何让 Apache Tika 在 .java 和 .xml(等)文件中查找文本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31889104/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!