Apache Tikaを使用したヘッダーとフッターの抽出をスキップする方法

Question

apache tikaを使用してヘッダーとフッターなしで（pdf、docx、doc、odt）のような文書を抽出する方法。

Answer 1

私はあなたがプロ文法的にそれを行うことができますいくつかは

import org.apache.tika.exception.TikaException; 
import org.apache.tika.io.TikaInputStream; 
import org.apache.tika.parser.AutoDetectParser; 
import org.apache.tika.parser.html.BoilerpipeContentHandler; 
import org.apache.tika.sax.BodyContentHandler; 
import org.xml.sax.ContentHandler; 
import org.xml.sax.SAXException; 
import org.apache.tika.metadata.Metadata; 
import java.io.File; 
import java.io.IOException; 
import java.io.InputStream; 
import java.net.URL; 

public class NewtikaXpath { 
    public static void main(String args[]) throws IOException, SAXException, TikaException { 
     AutoDetectParser parser = new AutoDetectParser(); 
     ContentHandler textHandler = new BodyContentHandler(); 
     Metadata xmetadata = new Metadata(); 
     try (InputStream stream = TikaInputStream.get(new URL("your favourite url"))){ 
      parser.parse(stream, new BoilerpipeContentHandler(textHandler), xmetadata); 
      System.out.println("text:\n" + textHandler.toString()); 
     } 
    } 

} 

Answer 2

ウェル（PDFおよびHTML）を解析すると、ドキュメントのために働いていない、DOCX、XLSX、XLS形式され、すべてのファイル形式でこのコードをテストしました。ここでどのように、それはDOCX、PPTX、ODT PDFファイルを含むすべてティカサポート文書のために働いています

AutoDetectParser parser = new AutoDetectParser(); 
 
ContentHandler contentHandler = new BodyContentHandler(); 
 
inputStream = new BufferedInputStream(new FileInputStream(inputFileName)); 
 
Metadata metadata = new Metadata(); 
 

 
OfficeParserConfig officeParserConfig = new OfficeParserConfig(); 
 
officeParserConfig.setIncludeHeadersAndFooters(false); 
 
parseContext.set(OfficeParserConfig.class, officeParserConfig); 
 

 
parser.parse(inputStream, contentHandler, metadata, parseContext); 
 
System.out.println(contentHandler.toString());