Apache Tika 应用程序配置文件

Question

Apache Tika 应用程序配置文件

configurationapache-tika

5

我正在使用Apache Tika应用程序作为命令行工具，在我的Ubuntu 16.04服务器上提取文档内容。

[Apache Tika网站][1]上写道：

“构建产物”

Tika的构建由多个组件组成，生成以下主要二进制文件：

tika-core/target/tika-core-*.jar Tika核心库。包含Tika的核心接口和类，但不包括任何解析器实现。仅依赖于Java 6。

tika-parsers/target/tika-parsers-*.jar Tika解析器。基于各种外部解析器库实现Tika Parser接口的类集合。

tika-app/target/tika-app-*.jar Tika应用程序。将上述组件和所有外部解析器库合并到一个可运行的带有GUI和命令行界面的单个JAR文件中。

因此，我已下载了最新版本（1.18）的tika-app-*.jar。这只是一个单独的文件。

在类似于java -jar tika-app-1.18.jar -t <filename>的命令行中运行此命令可以给我所需的文件内容输出，但每次都会收到两个警告：

2018年7月28日下午3:29:27 org.apache.tika.config.InitializableProblemHandler$3 handleInitializableProblem WARNING: J2KImageReader未加载。 JPEG2000文件将不会被处理。请参见 https://pdfbox.apache.org/2.0/dependencies.html#jai-image-io以获取可选依赖项。

2018年7月28日下午3:29:27 org.apache.tika.config.InitializableProblemHandler$3 handleInitializableProblem WARNING: org.xerial的sqlite-jdbc未加载。请提供您类路径上的jar以解析sqlite 文件。请查看tika-parsers/pom.xml以获取正确版本。

我不知道这些警告是否会使事情变慢，但在这些重复的警告中很难跟踪其他输出。

我尝试通过以下方式将Tika指向我的自定义配置文件：

java -jar tika-app-1.18.jar --config=tika-config.xml -t <filename>

我的tika-config.xml文件是:

<?xml version="1.0" encoding="UTF-8"?>
<properties>
  <parsers>
    <parser class="org.apache.tika.parser.DefaultParser">
      <mime-exclude>image/jpeg</mime-exclude>
      <mime-exclude>application/x-sqlite3</mime-exclude>
      <parser-exclude class="org.apache.tika.parser.jdbc.SQLite3Parser"/>
    </parser>
  </parsers>
</properties>

如果我使用那个配置，我会得到“无协议：filename.doc”错误，并且警告仍然存在。

如何排除jpeg和sqlite解析器？

- user164863

1

你是否阅读并遵循了http://tika.apache.org/1.18/configuring.html的指南？ - Gagravarr

@Gagravarr 谢谢，我没有看过那个。所以根据那个，我正确地提供了配置文件。我可以使用 <mime-exclude>image/jpeg</mime-exclude> 来避免解析图像。我可能需要一个默认的配置文件，我还是使用 POM.XML 的内容吗？SQLite 解析器可能会被排除在与图像相同的方式下，对吗？ - user164863

2

只有在自己编译Tika时才需要pom.xml，而在配置应用程序时则不需要这样做！ - Gagravarr

@Gagravarr 好的，我明白了。但是我尝试使用如何配置解析器的第一个示例来创建一个配置文件，然后我执行 java -jar tika-app-1.18.jar --config=tika-config.xml -t <filename>，结果出现 No protocol: filename.doc。那么sqlite文件的MIME类型是什么？ - user164863

@Gagravarr，根据您给我的链接，我已经更新了我的问题。 - user164863

2

这些警告是在初始化时出现的，你是在解析时排除了一些东西。你可能只想按照http://tika.apache.org/1.18/configuring.html#Load_Error_Handling的说明来关闭警告。 - Gagravarr

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- aarkerio · Accepted Answer

我的解决方案是这个tika-config.xml文件:

 <?xml version="1.0" encoding="UTF-8"?>
 <properties>
   <service-loader loadErrorHandler="IGNORE"/>
   <service-loader initializableProblemHandler="ignore"/>
  <parsers>
    <parser class="org.apache.tika.parser.DefaultParser">
    <mime-exclude>image/jpeg</mime-exclude>
    <mime-exclude>application/x-sqlite3</mime-exclude>
    <parser-exclude class="org.apache.tika.parser.jdbc.SQLite3Parser"/>
   </parser>
  </parsers>
  </properties>

然后设置：

export TIKA_CONFIG=/path/to/tika-config.xml

在我的.bashrc文件中。