apache-tika - 有没有办法关闭 tika-server 中嵌入文档的解析？

Question

我运行一个未修改的 Apache tika-server 1.22 的 JAX-RS 实例，并将其用作 HTTP 端点服务，我将文件发布到(主要是 Office、PDF 和 RTF)并通过 HTTP 请求(使用Accept="text/plain" header )来自我们的应用程序。

从 Tika 1.15 开始，默认行为现在是“提取所有嵌入的文档”TIKA-2096 .

我希望能够在我们的 tika-server 上关闭此行为，以便不提取嵌入的文档，并且我只能获得主要文档内容的文本再现。

是否可以通过 tika-config.xml 来做到这一点？文件，或者我需要做一个自定义构建和子类 EmbeddedDocumentExtractor所以它什么都不做？

回复 tika-parser-exclude-pdf-attachments表示您可以通过继承 EmbeddedDocumentExtractor 来关闭此行为。 ，但我想检查是否可以通过 tika-config.xml 执行此操作无需对 tika-server 进行自定义构建。

我看过Configuring Tika但这里没有提到嵌入式文档。

Answer 1

答案在tika-parser-exclude-pdf-attachments如果您通过代码调用 Tika，则非常适合。
以前没有办法对 Tika 服务器中的嵌入文件执行此操作，除了使用 EmptyParser 禁用整个文件类型，如下所示:

<?xml version="1.0" encoding="UTF-8"?>
<properties>
    <parsers>
        <parser class="org.apache.tika.parser.EmptyParser">
            <mime-exclude>image/jpeg</mime-exclude>
            <mime-exclude>application/zip</mime-exclude>
        </parser>
    </parsers>
</properties>

这已成为一个常见的请求，因此我在 Tika 1.25(尚未发布)中添加了一项功能，以允许使用 header 设置跳过嵌入的文件:

curl -T test_recursive_embedded.docx http://localhost:9998/tika --header "Accept: text/html" --header "X-Tika-Skip-Embedded: true"

任何使用 EmbeddedDocumentExtractor 的解析器都会遵守这一点。