使用 apache tika 在 doc 文件中获取嵌入式资源

Question

我有包含文本和图像的 ms word 文档。我想解析它们以获得它们的 xml 结构。经过研究，我最终使用 apache tika 来转换我的文档。我可以将我的文档解析为 xml。这是我的代码：

AutoDetectParser parser=new AutoDetectParser();
InputStream input=new FileInputStream(new File("1.docx"));
Metadata metadata = new Metadata();
StringWriter sw = new StringWriter();
SAXTransformerFactory factory = (SAXTransformerFactory)SAXTransformerFactory.newInstance();
TransformerHandler handler = factory.newTransformerHandler();
handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "xml");
handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "no");
handler.setResult(new StreamResult(sw));

parser.parse(input, handler, metadata, new ParseContext());
String xhtml = sw.toString();

我想从文档中提取图像并将它们转换为二进制格式。我不知道如何从文档中提取嵌入资源。

Answer 1

您需要定义自己的实现Parser 的类，并将其附加到您在解析外部文档时提供的ParseContext。然后将为所有嵌入式资源调用您的 Parser，如果您愿意，您可以将它们保存出来

我能想到的最好的例子是在 Tika CLI 中，-z（提取）标志使用。如果您查看source code for TikaCLI，您正在寻找FileEmbeddedDocumentExtractor 作为您的示例。

最简单的代码如下：

final AutoDetectParser parser = new AutoDetectParser();

public class ExtractParser extends AbstractParser {
   private int att = 0;
   public Set<MediaType> getSupportedTypes(ParseContext context) {
     // Everything AutoDetect parser does
     return parser.getSupportedTypes(context);
   }
   public void parse(
        InputStream stream, ContentHandler handler,
        Metadata metadata, ParseContext context)
        throws IOException, SAXException, TikaException {
      // Stream to a new file
      File f = new File("out-" + (++att) + ".bin");
      FileOutputStream fout = new FileOutputStream(f);
      IOUtils.copy(strea, fout);
      fout.closee();
   }
}

InputStream input = new FileInputStream(new File("1.docx"));
Metadata metadata = new Metadata();
ParseContext context = new ParseContext();
context.set(Parser.class, extractParser);
parser.parse(input, handler, metadata, context);

如果你愿意，也可以使用EmbeddedDocumentExtractor接口，取决于你想做什么，如果直接使用Parser更好