如何使用 tika 从 office 文档中提取超链接答案

【问题标题】：How to extract hyperlinks from office documents using tika如何使用 tika 从 office 文档中提取超链接
【发布时间】：2016-02-12 14:44:37
【问题描述】：

我正在使用 Apache Tika 从包括 office 在内的各种文档格式中提取原始文本。

从包含超链接的word文档中提取文本时，只会提取文本，而有关超链接的信息会丢失。

有没有办法配置解析器，以便同时提取底层链接？

    ParseContext context = new ParseContext();
    Detector detector = new DefaultDetector();
    Parser parser = new AutoDetectParser(detector);
    context.set(Parser.class, parser);
    Metadata metadata = new Metadata();

    try (TikaInputStream input = TikaInputStream.get(new File(fileName))) {

        BodyContentHandler handler = new BodyContentHandler();
        parser.parse(input, handler, metadata, context);

        String rawText = handler.toString();

        input.close();
    }

【问题讨论】：

让 Tika 给你文件的 HTML 版本，而不是你现在的纯文本版本？
这是一种可能的解决方法，但需要额外的后处理来处理/删除 HTML 标签。
您可以向 Tika 索要两次，一次是您从中获取链接的 HTML，一次是您使用的纯文本？否则，是的，如果您想要链接，您需要查看 HTML 中的 a 标签

标签： hyperlink ms-office extract apache-tika

【解决方案1】：

我正在使用 tika-app 从 bash 中的办公文档中提取超链接。我正在使用 --html 选项来输出文件的 HTML 内容。然后，我使用 sed 和 grep 将 HTML 过滤为该 HTML 中 href 属性的内容。我得到的结果是每个href的内容，每行一个。

java -jar /root/tika-app-1.20.jar --html TEST.docx 2>/dev/null | sed 's/href/\nhref/g' | grep '^href' | sed 's/href="//' | sed 's/".*//'

我知道 OP 没有使用 tika-app，但通用方法也可以使用 Java 中的 Tika 来应用。

【讨论】：