apache-tika

0열

1답변

ODF와 이전 (1997-2003) MS 워드 문서의 Apache Tika 구문 분석을 수정 하시겠습니까?

큰 파일을 Lucene 색인 생성 (다른 org.apache.lucene.document.Documents로 여러 파일 형식으로 분할) 할 응용 프로그램을 개발 중입니다. 초기 접근법에서 적어도 각각의 "Lucene 문서"는 하나의 "단락"으로 구성됩니다. 일반적으로 아파치 티카 (Apache Tika)는 이것에 대한 신의 가책 인 것처럼 보입니다. 단순히

1열

1답변

Apache Tika를 사용하여 text/PDF에서 특수 문자를 제거하십시오.

Apache Tika로 텍스트를 추출하기 위해 PDF 파일을 구문 분석하고 있습니다. //Create a body content handler BodyContentHandler handler = new BodyContentHandler(); //Metadata Metadata metadata = new Metadata(); //Input file

0열

1답변

Tika 파서/Java를 사용하여 pdf가 스캔 된 문서인지 확인하는 방법

pdf 파일에서 텍스트를 추출하려고합니다. 그러나 일부 경우 pdf 파일은 하드 문서의 사본을 스캔합니다. 주어진 PDF가 논문 또는 일반 pdf 파일을 스캔했는지 확인할 수있는 방법이 있습니까?

2열

1답변

안드로이드에서 Apache Tika를 사용하는 방법

아파치 tika를 사용하여 일부 문서를 구문 분석하려고하지만 많은 오류와 경고가 발생합니다. build.gradle이 dependencies { ... compile ('org.apache.tika:tika-parsers:1.14'){ exclude group: 'org.json', module: 'json' excl

0열

1답변

OCR에서 Tesseract와 함께 사용하면 Tika에서 텍스트가 중복됩니다. PDF

OCR 된 스캔 된 PDF가 있으며 이제 스캔 한 이미지와 텍스트의 이중 레이어가 있습니다. Tessika와 통합 된 Tesseract를 사용하여 해당 PDF에서 텍스트를 추출하면 중복 텍스트가 표시됩니다. 하나는 OCR 텍스트이고 다른 하나는 Tesseract가 OCRing 이미지입니다. 이 경우 OCRed 텍스트 만 필요합니다. 텍스트 나 이미지가 포함

0열

1답변

폭풍 크롤러 재귀 크롤링을위한 Tika 구성

내 토폴로지에 tika 파서를 포함하고 싶습니다. 구성에서 jsoup.treat.non.html.as.error을 false으로 설정했으며 폭풍 크롤러 설명서에 설명 된대로 tika 토폴로지를 설정했습니다. 이 토폴로지와 builder.setSpout("spout", new MemorySpout(testURLs)); builder.setBolt("par

0열

1답변

최대 한계 도달 오류가 발생했습니다.

PDF 파일에서 컨텐츠를 가져 오는 데 Apache Tika를 사용하고 있습니다. 실행할 때 오류가 발생합니다. 나는이 오류가 어디에서나 기록 된 것을 보지 못했고 이것은 단지 놀라운 사실이다. org.apache.tika.sax.WriteOutContentHandler$WriteLimitReachedException: Your document contai

0열

2답변

Apache Tika : docx 파일에서 Java로 나머지를 통해 구문 분석

서버 모드에서 Appache Tika를 사용하고 있습니다. 파일을 파싱하기 위해 자바 휴식 클라이언트를 개발해야합니다. pdf 파일 업로드에 대한 내가 코드를 사용하고 있습니다 : fileBody = new FileBody(file, "application/pdf"); multiPartEntity.addPart("uploaded_file", fileBod

0열

1답변

django 파일 객체를 tikka 서버에 넣기

내 프로젝트에서 request.FILES.getlist('filedname')을 사용하여 여러 파일을 받고 django forms save 메소드를 사용하여 파일을 저장했습니다. 또 파이썬의 tika 서버 API를 사용하여 동일한 파일을 읽어 : def read_by_tika(self, path): '''file reading using tika

0열

1답변

Tika의 Tesseract 사용 : 결과에 줄 바꿈 만 있음

Windows 용 Apache Tika 및 Tesseract를 사용하여 스캔 한 텍스트가 포함 된 PNG 파일을 구문 분석하려고합니다. 명령 줄에서 Tesseract를 실행해도 텍스트가 올바르게 인식되지만 Tika에서 반환 한 내용에는 줄 바꿈 ("\ n") 만 포함됩니다. 그것은처럼 보이는, 그러나 tesseract C:\Users\admin\AppDat