Apache Tika 缺少許多元數據鍵值對

Question

我正在嘗試使用 Apache Tika 在 JAVA 中獲取文件的元數據。獲取該文件的代碼如下所示，

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.Arrays;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;

import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.sax.BodyContentHandler;

import org.xml.sax.SAXException;

public class tika {

public static void main(final String[] args) throws IOException, SAXException, TikaException {
      File file = new File("C:\\HTML\\viewer\\files\\doc.doc");

      AutoDetectParser parser = new AutoDetectParser();
      BodyContentHandler handler = new BodyContentHandler();
      Metadata metadata = new Metadata();
      FileInputStream inputstream = new FileInputStream(file);
      ParseContext context = new ParseContext();
      parser.parse(inputstream, handler, metadata, context);

      String[] metadataNames = metadata.names();
      System.out.println(metadataNames.length);
        for (String key : metadataNames) {
            String value = metadata.get(key);
            System.out.println(key + ": " + value);
        }
      
   }
}

問題是我只得到下面給出的兩個鍵值對，

SLF4J: Failed to load class "org.slf4j.impl.StaticLoggerBinder".
SLF4J: Defaulting to no-operation (NOP) logger implementation
SLF4J: See http://www.slf4j.org/codes.html#StaticLoggerBinder for further details.
2
X-TIKA:Parsed-By: org.apache.tika.parser.EmptyParser
Content-Type: application/x-tika-msoffice

我收到了來自 SLF4J 的警告，我認為這對於獲得所需的輸出不是問題，如果是，請告訴我。

它是一個 Maven 項目，下面給出了我的依賴項，

<dependency>
  <groupId>org.apache.tika</groupId>
  <artifactId>tika-core</artifactId>
  <version>2.3.0</version>
</dependency>
<dependency>
  <groupId>org.apache.tika</groupId>
  <artifactId>tika-parsers</artifactId>
  <version>2.3.0</version>
  <type>pom</type>
</dependency>

我只得到“X-TIKA:Parsed-By”和“Content-Type”鍵值。 我想要更多元數據值，如作者、評論、大小等。

Answer 1

您必須使用特定的解析器來檢索 Microsoft 文檔屬性。

首先添加以下依賴項：

<dependency>
  <groupId>org.apache.tika</groupId>
  <artifactId>tika-core</artifactId>
  <version>2.3.0</version>
</dependency>
<dependency>
  <groupId>org.apache.tika</groupId>
  <artifactId>tika-parsers-standard-package</artifactId>
  <version>2.3.0</version>
</dependency>

接下來，您可以執行以下操作：

BodyContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
FileInputStream inputstream = new FileInputStream(new File("C:\\HTML\\viewer\\files\\doc.doc"));
ParseContext pcontext = new ParseContext();

// Specific parser
OOXMLParser msOfficeParser = new OOXMLParser();
msOfficeParser .parse(inputstream, handler, metadata, pcontext);

System.out.println("Contents of the document:" + handler.toString());
System.out.println("Metadata of the document:");

String[] metadataNames = metadata.names();

for (String name : metadataNames) {
  System.out.println(name + ": " + metadata.get(name));
}

你會得到這樣的東西：

文檔元數據：cp:revision: 3
擴展屬性：AppVersion：16.0000 元：段落計數：1
元：字數：83 擴展屬性：應用程序：Microsoft Office
Word 元：最后作者：Microsoft Office 用戶

參考：

• https://www.tutorialspoint.com/tika/tika_extracting_ms_office_files.htm
• https://tika.apache.org/2.3.0/gettingstarted.html