使用 apache tika 从 gzip 文件中提取 xml 数据？答案

【问题标题】：Extract xml data from gzip file using apache tika?使用 apache tika 从 gzip 文件中提取 xml 数据？
【发布时间】：2011-03-30 14:55:51
【问题描述】：

我正在做一个项目，我需要使用 apache tika[AM NEW TO TIKA] 从 gz 文件中提取 xml（站点地图）数据。 fie 名称类似于 sitemap01.xml.gz 我可以从普通文本文件或 html 中提取数据，但我不知道如何从 gz 中提取 xml 并从 xml 中提取元数据和数据... 过去两天我在 Google 上搜索过。

我需要在 tika 中使用 delegateParser 从 xml 中提取数据吗？请指导我一些示例或文章....

这是我的尝试

public void parseXml() throws IOException{
    Metadata metadata = new Metadata();
    ContentHandler handler = new BodyContentHandler();
    Parser parser = new AutoDetectParser();
    ParseContext context = new ParseContext();
     InputStream stream =this.getClass().getResourceAsStream("sitemap.xml.gz");
    try {
        parser.parse(stream,handler,metadata,context);
        for(int i = 0; i <metadata.names().length; i++) {
            String name = metadata.names()[i];
            System.out.println(name + " : " + metadata.get(name));
          }
        System.out.println(handler.toString());

    } catch (IOException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    } catch (SAXException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    } catch (TikaException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    }finally{
         if(stream!=null) {
                stream.close();
            }
    }


}

【问题讨论】：

标签： apache gzip apache-tika

【解决方案1】：

您缺少的是在 ParseContext 上设置递归解析器。你可能想要这样的东西：

Parser parser = new AutoDetectParser();
ParseContext context = new ParseContext();
context.set(Parser.class, parser);
parser.parse(....)

通过在 ParseContext 上设置 Parser，您可以告诉 Tika 在遇到嵌入文档（例如 GZip 中的 XML）时调用它

【讨论】：

【解决方案2】：

以下是针对您的案例使用 Apache Tika 的 XML 解析器的方法：

 //detecting the file type
  BodyContentHandler handler = new BodyContentHandler(-1);
  Metadata metadata = new Metadata();
  File inFile = new File("sitemap.xml.gz");
  System.out.println(inFile.isFile());
  FileInputStream inputstream = new FileInputStream(inFile);
  ParseContext pcontext = new ParseContext();

  //Xml parser
  XMLParser xmlparser = new XMLParser(); 
  xmlparser.parse(inputstream, handler, metadata, pcontext);
  System.out.println(pcontext.toString());

  System.out.println("Contents of the document:" + handler.toString());//this one contains all contents from xml files and tags are also removed
  System.out.println("Metadata of the document:");
  String[] metadataNames = metadata.names();

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

【讨论】：