hyperlink - 如何使用 tika 从办公文档中提取超链接

Question

我正在使用 Apache Tika 从包括 office 在内的各种文档格式中提取原始文本。

当从包含超链接的 Word 文档中提取文本时，只会提取文本，而有关超链接的信息将丢失。

有没有办法配置解析器，以便也提取底层链接？

    ParseContext context = new ParseContext();
    Detector detector = new DefaultDetector();
    Parser parser = new AutoDetectParser(detector);
    context.set(Parser.class, parser);
    Metadata metadata = new Metadata();

    try (TikaInputStream input = TikaInputStream.get(new File(fileName))) {

        BodyContentHandler handler = new BodyContentHandler();
        parser.parse(input, handler, metadata, context);

        String rawText = handler.toString();

        input.close();
    }

Answer 1

我正在使用 tika-app 从 bash 中的办公文档中提取超链接。我正在使用 --html 选项输出文件的 HTML 内容。然后我使用 sed 和 grep 将 HTML 过滤为该 HTML 中的 href 属性的内容。我得到的结果是每个 href 的内容，每行一个。

java -jar /root/tika-app-1.20.jar --html TEST.docx 2>/dev/null | sed 's/href/\nhref/g' | grep '^href' | sed 's/href="//' | sed 's/".*//'

我知道 OP 没有使用 tika-app，但也可以使用 Java 中的 Tika 来应用一般方法。