如何使用 tika 提取 .ppt 文件的文本？答案

【问题标题】：How to extract the text of a .ppt file with tika?如何使用 tika 提取 .ppt 文件的文本？
【发布时间】：2013-02-04 21:55:47
【问题描述】：

我使用AutoDetectParser 类提取了带有tika 的.pdf 文件的文本。但是当我使用相同的代码提取 .ppt 文件的文本时，它会引发异常。怎么做？谢谢

编辑：
我使用的代码是：

File file = new File("1.ppt");
InputStream input = new FileInputStream(file);
Parser autoDetectParser = new AutoDetectParser();
Metadata metadata = new Metadata();
StringWriter writer = new StringWriter();
ContentHandler handler = new WriteOutContentHandler(writer);
autoDetectParser.parse(input, handler, metadata, new ParseContext());

例外是：

java.lang.NoSuchFieldError: SMALLER_BIG_BLOCK_SIZE_DETAILS
at org.apache.poi.poifs.filesystem.NPOIFSFileSystem.<init>(NPOIFSFileSystem.java:93)
at org.apache.poi.poifs.filesystem.NPOIFSFileSystem.<init>(NPOIFSFileSystem.java:190)
at org.apache.poi.poifs.filesystem.NPOIFSFileSystem.<init>(NPOIFSFileSystem.java:184)
at org.apache.tika.parser.microsoft.POIFSContainerDetector.getTopLevelNames(POIFSContainerDetector.java:371)
at org.apache.tika.parser.microsoft.POIFSContainerDetector.detect(POIFSContainerDetector.java:165)
at org.apache.tika.detect.CompositeDetector.detect(CompositeDetector.java:61)
at org.apache.tika.parser.AutoDetectParser.parse(AutoDetectParser.java:113)
at ppt.PPTParserTest.test3(PPTParserTest.java:52)

我发现问题是由我的classpath 中的一些额外jars 引起的。

【问题讨论】：

我用过AutoDetectParser类的parse()方法，像这样的参数：autoDetectParser.parse(inputStream, contentHandler, metadata);
有什么例外？
@theJollySin 谢谢，问题解决了。
你能分享一下有哪些额外的 jars 相互冲突，以启发其他人解决这个问题吗？
@computermacgyver 这个问题发生在两个月前，但我认为这两个库中的一个（或者可能两个）导致了问题：1.poi-3.1-FINAL.jar 和 2 .poi-scratchpad-3.1-FINAL.jar

标签： java apache-tika text-extraction

【解决方案1】：

如果您的运行时类路径中有两个不同版本的 POI，则可能会发生此异常。在较新版本的 POI 中，NPOIFSFileSystem 引用 POIFSConstants.SMALLER_BIG_BLOCK_SIZE_DETAILS。此常量在旧版本的 POI 中不存在。

我在类路径中遇到了 tika-app-1.4.jar（捆绑 POI 3.9）和 poi-3.0.2-FINAL-20080204.jar 的异常。

【讨论】：

【解决方案2】：

你可以改变你的方法WorkbookFactory.create(inputStream)
而不是WorkbookFactory.create(File)，这可以解决你的问题。祝你好运！

【讨论】：