Tika解析错误：您正在调用POI中处理OOXML的部分。您需要调用POI的不同部分来处理该数据

Question

原因:org.apache.poi.openxml4j.exceptions.OLE2NotOfficeXMLFileException:提供的数据似乎是OLE2格式的。您正在调用POI中处理OOXML（Office Open XML）文档的部分。您需要调用POI的不同部分来处理该数据（例如HSSF而不是XSSF）

我到底需要改变什么？

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.microsoft.ooxml.OOXMLParser;
import org.apache.tika.sax.BodyContentHandler;

import org.xml.sax.SAXException;

public class TikaDocx {

    public static void main(final String[] args) throws IOException, TikaException, SAXException {

        //detecting the file type
        BodyContentHandler handler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        FileInputStream inputstream = new FileInputStream(new File("C:\\test.doc"));
        ParseContext pcontext = new ParseContext();

        //OOXml parser
        OOXMLParser  msofficeparser = new OOXMLParser ();
        msofficeparser.parse(inputstream, handler, metadata,pcontext);
        System.out.println("Contents of the document:" + handler.toString());
        System.out.println("Metadata of the document:");
        String[] metadataNames = metadata.names();

        for(String name : metadataNames) {
            System.out.println(name + ": " + metadata.get(name));
        }
    }
}

Answer 1

只有在您已经知道文件是什么以及该文件类型的最佳解析器是什么的情况下，才应该调用显式Apache Tika解析器，例如OOXMLParser。

您得到的错误告诉您，您正在将一个基于OLE2的.doc解析器传递给Apache Tika解析器，以处理诸如.docx之类的OOXML文件

如果您不知道您的文件类型到底是什么，那么您应该让Apache Tika识别类型，并为您选择最佳的解析器

    OOXMLParser  msofficeparser = new OOXMLParser ();
    msofficeparser.parse(inputstream, handler, metadata,pcontext);

    AutoDetectParser parser = new AutoDetectParser();
    parser.parse(inputstream, handler, metadata, pcontext);