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。在文件内部有一个包含多个列的表。

问题是解析器在没有任何信息的情况下写出结果，而该值是哪一列。

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，但我需要知道元信息。

是否已有一个Handler输出类似HTML的读取RTF文件的结构？

Answer 1

我建议不要问Tika的纯文本版本，而是想知道你所有漂亮的HTML信息在哪里，你只需要问Tika文件为XHTML。然后，您就可以对其进行处理，以便在RTF文件中找到所需的信息

如果您查看Tika示例或Tika单元测试，您将看到相同的模式，以便轻松获得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();