apache-tika

5El calor

1Respuesta

¿Existe una mejor práctica schema.xml para SOLR al importar documentos enriquecidos?

Estoy trabajando con SOLR en un proyecto donde importamos un grupo (~ 40k elementos) de documentos enriquecidos, principalmente MS Word, Powerpoint, Excel y PDF. ¿Hay una mejor práctica schema.xml y/o

5El calor

4Respuesta

Extraiga el texto de las URL con TIKA

¿Es posible extraer texto de las URL con Tika? Cualquier enlace será apreciado. ¿O TIKA solo se puede usar para PDF, Word y cualquier otro documento multimedia?

6El calor

1Respuesta

Personalizando el algoritmo de búsqueda de Elasticsearch

Intenté originalmente publicar una publicación similar en la lista de correo elasticsearch (https://groups.google.com/forum/?fromgroups=#!topic/elasticsearch/BZLFJSEpl78) pero no obtuve ninguna respue

7El calor

1Respuesta

Adición de perfil lingüístico a Apache Tika

pudiera por favor cualquiera que logró hacer que explican cómo hacer eso :-) ¿Es necesario para obtener los archivos de n-gramas para el idioma tengo que añadir? ¿Se trata de crear tika.language.overr

6El calor

2Respuesta

C/C++ alternativa a Apache Tika

Estoy buscando una alternativa de C/C++ para marco de Apache Tika que se basa en Java. Específicamente, estoy buscando meatadatos de archivos y extracción de texto estructurado, todo bajo un marco. De

11El calor

2Respuesta

PDFBox agregando espacios en blanco dentro de las palabras

Cuando intento extraer texto de mis archivos PDF, parece insertar espacios en blanco entre varias palabras al azar. estoy usando PDFBox-app-1.6.0.jar (última versión) el siguiente archivo de ejemplo e

21El calor

3Respuesta

Cómo usar Tika en el modo de servidor

En el sitio web de Tika dice (con respecto a tika-app-1.2.jar) se puede utilizar en modo servidor. ¿Alguien sabe cómo enviar documentos y recibir texto analizado desde este servidor una vez que se est

6El calor

1Respuesta

Integración de Spring & Tika: ¿mi enfoque es seguro para subprocesos?

Estoy interesado en Spring & Integración de Apache Tika. ¿Este enfoque es seguro para subprocesos? <bean id="tika" class="org.apache.tika.Tika"/> ¿Puedo llamar con seguridad al método detect() desde

15El calor

2Respuesta

Elasticsearch Parse Error de excepción al intentar indexar PDF

Estoy empezando con elasticsearch. Nuestro requisito nos obliga a indexar miles de archivos PDF y me está costando conseguir UNO de ellos para indexar con éxito. Instaló el complemento Tipo de datos a

5El calor

1Respuesta

¿cómo puedo detectar páginas web de farsi por tika?

Necesito un código de muestra para ayudarme a detectar las páginas web de idiomas farsi por apache tika toolkit. LanguageIdentifier identifier = new LanguageIdentifier("فارسی"); String language