使用 Apache Tika 解析 RTF 文件中的表时出现问题

Question

我正在尝试使用 Apache Tika 解析 RTF 文件。在文件里面有一个表 几列。

问题是解析器写出结果时没有任何信息，值在哪一列。

我现在正在做的是：

AutoDetectParser adp = new AutoDetectParser(tc);
Metadata metadata = new Metadata();
String mimeType = new Tika().detect(file);
metadata.set(Metadata.CONTENT_TYPE, mimeType);
BodyContentHandler handler = new BodyContentHandler();

InputStream fis = new FileInputStream(file);

adp.parse(fis, handler, metadata, new ParseContext());

fis.close();
System.out.println(handler.toString());

它有效，但我需要了解元信息。

是否已经有一个 Handler 可以输出类似 HTML 的内容，并且具有读取的 RTF 文件的结构？

Answer 1

我建议不要向 Tika 询问纯文本版本，然后想知道所有漂亮的 HTML 信息都去了哪里，而只是向 Tika 询问作为 XHTML 的文档。然后，您将能够处理它以在您的 RTF 文件中找到您想要的信息

如果您查看 Tika 示例或 Tika 单元测试，您会看到相同的模式，以便轻松获取 XHTML 输出

    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();