Apache Tika App配置文件

Question

我在Ubuntu 16.04服务器上使用Apache Tika应用程序作为comand line工具来提取文档内容。

[Apache Tika网站][1]上说：

构建文物

Tika构建由许多组件组成，并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，但没有任何解析器实现。只依赖于Java6。

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

tika应用程序/目标/tika应用程序-*。jar Tika应用程序。将上述组件和所有外部解析器库组合成一个具有GUI和命令行界面的可运行jar。

所以我已经下载了tika-app-*. jar的最后一段（1.18）。那只是一个文件。

在java-jar-tika-app-1.18这样的命令行中运行。jar-t

2018年7月28日下午3:29:27组织。阿帕奇。蒂卡。配置。InitializableProblemHandler$3 handleInitializableProblem警告：未加载J2KimagerReader。不会处理JPEG2000文件。看见https://pdfbox.apache.org/2.0/dependencies.html#jai-可选依赖项的图像io。

7月28, 2018 3:29:27日下午org.apache.tika.config.初始化问题处理3美元的处理初始化问题警告：org.xerial的sqlite-jdbc没有加载。请在类路径上提供jar来解析sqlite文件。正确的版本请参见tika-parser/pom.xml。

我不知道这些警告是否会让事情变慢，但在这些重复警告中，很难跟踪其他输出。

我试图通过以下方式将Tika指向我自己的配置文件：

java-jar-tika-app-1.18。jar--config=tika-config。xml-t

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>

如果我使用这个配置，我会得到没有协议：filename。doc和警告仍然存在。

如何排除jpeg和sqlite解析器？




Answer 1

我的解决方案是这个tika配置。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。