如何使用tika从办公文档中提取超链接

Question

我正在使用Apache Tika从各种文档格式中提取原始文本，包括office。

当从包含超链接的Word文档中提取文本时，只有文本被提取，超链接的信息丢失了。

是否有一种配置解析器的方法，使底层链接也被提取？

    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();
    }

- Matthias

---

请向 Tika 请求文件的 HTML 版本，而不是当前的纯文本版本。 - Gagravarr

这是一种可能的解决方法，但需要进行额外的后处理来处理/删除HTML标签。 - Matthias

你可以向Tika请求两次，一次作为HTML，从中获取链接，另一次作为纯文本，供您使用。否则，如果您想要链接，您需要在HTML中查找a标签。 - Gagravarr

Answer 1

我正在使用tika-app在bash中从办公文档中提取超链接。我使用--html选项输出文件的HTML内容。然后，我使用sed和grep过滤HTML，只保留其中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，但是一般的方法也可以在 Java 中使用 Tika。

- Liam