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();
}
a
标签。 - Gagravarr