apache-tika

15Ciepło

2Odpowiedz

Elasticsearch Błąd Wyjątek analizy podczas próby indeksowania PDF

Właśnie zaczynam od elasticsearch. Naszym wymaganiem jest to, że musimy indeksować tysiące plików PDF i mam problemy z uzyskaniem tylko jednego z nich do pomyślnego indeksowania. Zainstalowano wtyczkę

5Ciepło

2Odpowiedz

jak wyodrębnić tekst główny z html przy użyciu Tika

Po prostu chcę wiedzieć, w jaki sposób mogę wyodrębnić tekst główny i zwykły tekst z html przy użyciu Tika? Może jednym z możliwych rozwiązań jest użycie BoilerPipeContentHandler, ale czy masz kilka p

5Ciepło

1Odpowiedz

Maks. Długość łańcucha Apache Długość osiągnęła

Mam tysiące dokumentów PDF, które mają 11-15 MB. Mój program mówi, że mój dokument zawiera ponad 100k znaków. wyjście Błąd: Wyjątek w wątku „głównym” org.apache.tika.sax.WriteOutContentHandler $ Write

6Ciepło

1Odpowiedz

Dostosowywanie algorytmu wyszukiwania w Elasticsearch

Początkowo próbowałem opublikować podobny post na liście mailingowej elasticsearch (https://groups.google.com/forum/?fromgroups=#!topic/elasticsearch/BZLFJSEpl78), ale nie otrzymałem żadnych pomocnych

5Ciepło

1Odpowiedz

Jak mogę wykryć strony internetowe farsi przez tika?

Potrzebuję przykładowy kod, aby pomóc mi wykryć strony internetowe w języku farsi za pomocą apache tika toolkit. LanguageIdentifier identifier = new LanguageIdentifier("فارسی"); String language

6Ciepło

1Odpowiedz

Solr dla arabskiego pliku PDF

Próbuję wyszukiwać pliki PDF w języku arabskim w Apache Solr. Problem polega na tym, że Tika indeksuje plik PDF w odwrotnej kolejności (od lewej do prawej) zamiast (od prawej do lewej). znalazłem wzmi

26Ciepło

1Odpowiedz

Jak określić odpowiednie rozszerzenie pliku z typu MIME w Javie

Przesyłam pliki do zasobnika Amazon s3 i mam dostęp do InputStream oraz ciąg zawierający typ MIME pliku, ale nie oryginalną nazwę pliku. To zależy od mnie, czy faktycznie utworzę nazwę pliku i rozszer

11Ciepło

2Odpowiedz

PDFBox dodaje białe spacje w słowach

Kiedy próbuję wyodrębnić tekst z moich plików PDF, wydaje się wstawiać spacje między losowo wybranymi słowami. Używam PDFBox-app-1.6.0.jar (najnowsza wersja) na następujący przykładowy plik w sekcji D

21Ciepło

3Odpowiedz

Sposób korzystania z Tika w trybie serwera

Na stronie internetowej Tiki (dotyczy to aplikacji tika-1.2.jar) można go używać w trybie serwera. Czy ktoś wie, jak wysyłać dokumenty i otrzymywać analizowany tekst z tego serwera po uruchomieniu?

6Ciepło

1Odpowiedz

Biblioteka narzędzi Java dla obsługi plików zagnieżdżonych ZIP

Wiem, że Oracle zauważa kompresor/dekompresor plików ZIP/GZIP on their website. Ale mam scenariusz, w którym muszę skanować i dowiedzieć się, czy w grę wchodzą zagnieżdżone ZIP/RAR. Na przykład, nastę