apache-tika

0热度

1回答

我有一个扫描的PDF已经被OCR，现在具有双层扫描图像和上面的文本。如果我使用提卡集成正方体提取从PDF文本我得到重复的文字：一个来自OCR文本和另一个由正方体OCRing图像。在这种情况下，我只需要OCR文本。我不能只是禁用正方体，因为有可能是只包含图片或包含文本和图像的PDF文件的PDF文件。正方体被集成在Tika像Apache Tika extract scanned PDF fil

0热度

2回答

Apache Tika：通过Rest中的java解析docx

我在服务器模式下使用Appache Tika。我需要开发java rest客户端来解析文件。对于PDF文件上传我正在使用的代码： fileBody = new FileBody(file, "application/pdf"); multiPartEntity.addPart("uploaded_file", fileBody); pdfPutRequest.setEntity(multi

0热度

1回答

Apache Solr不索引扫描的PDF

我想索引扫描的PDF文件。我已经在Centos 6上安装了Solr 6.3.0,tesseract 3.04,leptonica 1.74我已经根据documentation配置了我的solrconfig。我已经测试了tesseract和solr的png，jpg，并且每件事情都很好看。但是当我尝试索引扫描的PDF文件时，Solr没有索引扫描图像，只提取pdf注释消息（sample documen

0热度

1回答

无法使用apache tika直接从扫描的pdf中提取内容，但在转换为jpg格式时效果不错

我无法从下面附加的图像中提取其PDF格式的内容，但是当我将它转换为jpg格式时它工作正常。我的问题是我有很多扫描的pdf，里面有多个扫描页面。我想看看是否有直接的方法来提取内容，而不是将pdf转换为jpg，然后提取文本。我跟在DOC的link PDF版本提供的解决方案是pdfversion 我的Java版本 “1.8.0_112”，正方体01年3月4日，leptonica-1.74.1， libj

0热度

1回答

错误未定义的领域：在Solr的

我尝试在Solr的6.3引用数据库列的字段使用/更新/提取物，但它不工作“stream_size”这个错误在我看来： Status: {"data":{"responseHeader":{"status":400,"QTime":8},"error":{"metadata":["error-class","org.apache.solr.common.SolrException","root-er

1热度

1回答

使用Apache Tika从文本/ PDF中删除特殊字符

我解析PDF文件以使用Apache Tika提取文本。 //Create a body content handler BodyContentHandler handler = new BodyContentHandler(); //Metadata Metadata metadata = new Metadata(); //Input file path FileInputStre

0热度

1回答

如何检测pdf是否使用Tika解析器扫描文档/ Java

我想从pdf文件中提取文本。但在某些情况下，pdf文件是硬拷贝的硬拷贝。有没有一种方法，我可以找到给定的PDF是否扫描文件副本或普通的PDF文件。

2热度

1回答

如何在Android上使用Apache Tika

我正在尝试使用Apache tika解析某些文档，但它给了我很多错误和警告。的build.gradle dependencies { ... compile ('org.apache.tika:tika-parsers:1.14'){ exclude group: 'org.json', module: 'json' exclude group: 'c

0热度

1回答

Gradle，Tika - 排除一些使“fat jar”太胖的依赖包

我正在制作一个应用程序，它可以在众多已知文档格式（.docx，.odt，.txt等等）上创建Lucence索引。）。提卡是提取文本的理想选择，但它似乎是使我的脂肪瓶气球达到62 MB的罪魁祸首。为了使脂肪罐子我在做这在我的build.gradle： buildscript { repositories { jcenter() } dependencies { // fat

0热度

1回答

使用Tika进行递归爬行的Storm Crawler配置

我想将tika解析器包含到我的拓扑中。我已经在配置中将jsoup.treat.non.html.as.error设置为false，并且我已经按照storm crawler文档中的描述设置了tika拓扑。是爬网拓扑结构的设置如下： builder.setSpout("spout", new MemorySpout(testURLs)); builder.setBolt("partitioner