【发布时间】:2015-09-09 18:03:39
【问题描述】:
我在 Azure Blob 存储中存储了所有不同类型的文件,文件有 txt、doc、pdf 等。但是,所有文件都在那里存储为“八位字节流”,当我打开文件以使用 Tika 从中提取文本时,Tika 无法检测到字符编码。我怎样才能解决这个问题?
FileSystem fs = FileSystem.get(new Configuration());
Path pt = new Path(Configs.BLOBSTORAGEPREFIX+fileAdd);
InputStream stream = fs.open(pt);
AutoDetectParser parser = new AutoDetectParser();
BodyContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
parser.parse(stream, handler, metadata);
spaceContentBuffer.append(handler.toString());
【问题讨论】:
标签: java azure-blob-storage apache-tika