如何用Tika从docx中提取文本
我试图从docx中提取文本：tika-app做得很好，但当我试图在代码中做同样的事情时，结果是什么也没有，tika解析器说我的docx文件的内容类型是“application/zip”。
我该怎么办？我应该使用递归方法（像这样）还是有其他方法？
InputStream is = new FileInputStream(myFile);
AutoDetectParser parser = new AutoDetectParser();
BodyContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
metadata.set(Metadata.RESOURCE_NAME_KEY, myFileFilename);
ParseContext context = new ParseContext();
context.set(Parser.class, parser);
parser.parse(is, handler, metadata, context);
java.lang.noClassDefFounderRor:org/apache/poi/openXML4j/exceptions/invalidFormatException at org.apache.tika.parser.microsoft.ooxml.ooxmlParser.parse(OoxmlParser.java:82)
共有1个答案
对我来说，Apache Tika中最令人困惑的是，它可以在没有tika-parsers.jar的情况下编译，但没有它显然无法工作。因此，请确保安装的tika-parsers.jar包含所有依赖项（它们很多）。
-
问题内容： 我知道那里也有类似的问题，但是我找不到能回答我的祷告的东西。我需要的是一种从MS-Word文件访问某些数据并将其保存在XML文件中的方法。在python- docx 上阅读无济于事，因为它似乎只允许一个人写入Word文档，而不是阅读。要准确呈现我的任务（或我选择如何执行任务的方式）：我想在文档中搜索关键字或短语（文档包含表格），并从关键字/短语所在的表格中提取文本数据找到了。有人有什么
-
使用OpenXML（C#）解析*. docx文档有一个问题。 下面是我的步骤： 1。加载*。docx文档 2。接收段落列表 3。在每个段落中查找文本、图像和表格元素 4。为每个文本和图像元素创建html标记 5。将输出另存为*。html文件 我已经了解了如何在文档中定位图像文件并将其解压缩。现在有一个步骤要做——找到表格在文本（段落）中的位置。 如果有人知道如何在*中定位表。docx文档使用Ope
-
问题内容： 在某些情况下，我们可能需要从Word文档中获取文本以供将来在用户上传的文档中搜索字符串，例如在cv / resumes中进行搜索，并出现一个常见的问题，即如何获取文本，打开并阅读用户上载Word文档时，有一些有用的链接，但不能解决整个问题。我们需要在上载时获取文本并将文本保存在数据库中，以便在数据库中轻松搜索。 问题答案： class DocxConversion{ private $
-
我正在开发一个程序，需要从MS Word文档中提取两个图像，以便在另一个文档中使用它们。我知道图像的位置（文档中的第一个表），但当我试图从表中提取任何信息（即使只是纯文本）时，我会得到空单元格。 这是我想从中提取图像的Word文档。我想从第一页（第一个表，第0行和第1行，第2列）中提取“Rentel”图像。 我尝试了以下代码： 这只会给我空话。。。 我已经读过这篇讨论和这篇文章，问题可能是“包含在
-
我需要从DOCX文件中提取文本和图像到文本文件（当然，将图像保存为图形文件）。使用下面的代码如何获取图像并将其保存为文本文件中的引用？ 如果我使用： 我可以得到所有的图像，但有时一个图像被用在几个地方。我找不到从列表中获取特定图像的参考。以下是取自（从DOCX提取表）的示例代码：
-
我有以下测试代码来检测docx内容类型： 而GetServerIntradedType的实现方式如下： 问题：当我运行上面的测试时，我希望得到DOCX_TYPE，即“application/x-tika-ooxml”，但我得到的是“application/zip”。为什么？ 我的pom文件具有以下配置：