Вопрос: Извлеките текст из URL с помощью TIKA


Можно ли извлечь текст из URL с помощью Tika? Любые ссылки будут оценены. Или TIKA можно использовать только для pdf, слова и любых других медиа-документов?


6


источник


Ответы:


Это от ясный :

InputStream input = new FileInputStream(new File(resourceLocation));
ContentHandler textHandler = new BodyContentHandler();
Metadata metadata = new Metadata();
PDFParser parser = new PDFParser();
parser.parse(input, textHandler, metadata);
input.close();
out.println("Title: " + metadata.get("title"));
out.println("Author: " + metadata.get("Author"));
out.println("content: " + textHandler.toString());

Вместо создания PDFParser вы можете использовать Tika's AutoDetectParser для автоматической обработки типов файлов:

Parser parser = new AutoDetectParser();

6



Проверить документация  - Да, ты можешь.

пример

java -jar tika-app-0.9.jar -t http://stackoverflow.com/questions/6656849/extract-the-text-from-url-using-tika

покажет вам текст на этой странице.


6



Да, вы можете это сделать. Вот код. Этот код использует apache http client  

HttpGet httpget = new HttpGet("http://url.here"); 
    HttpEntity entity = null;
    HttpClient client = new DefaultHttpClient();
    HttpResponse response = client.execute(httpget);
    entity = response.getEntity();
    if (entity != null) {
        InputStream instream = entity.getContent();
        BodyContentHandler handler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        Parser parser = new AutoDetectParser();
        parser.parse( instream, handler, metadata, new ParseContext());
        String plainText = handler.toString();
        FileWriter writer = new FileWriter( "/scratch/cache/output.txt");
        writer.write( plainText );
        writer.close();
        System.out.println( "done");
    }

3



для извлечения содержимого из URL, а не из локального файла, используйте этот код:

    byte[] raw = content.getContent();
    ContentHandler handler = new BodyContentHandler();
    Metadata metadata = new Metadata();
    Parser parser = new AutoDetectParser();
    parser.parse(new ByteArrayInputStream(raw), handler, metadata, new ParseContext());
    LOG.info("content: " + handler.toString());

1