如何在服务器模式下使用 Tika答案

【问题标题】：How to use Tika in server mode如何在服务器模式下使用 Tika
【发布时间】：2012-09-01 21:39:18
【问题描述】：

在 Tika 的网站上，它说（关于 tika-app-1.2.jar）它可以在服务器模式下使用。有谁知道一旦该服务器运行后如何发送文档和接收解析的文本？

【问题讨论】：

【解决方案1】：

Tika 支持两种“服务器”模式。更简单和原始的是 Tika-App 的--server 标志。 JAX-RS JSR-311 server component 功能更强大，但也更新，它是一个额外的 jar。

Tika-App 网络服务器使用起来非常简单。只需使用--server 标志和--port ### 标志启动Tika-App，告诉它要监听哪个端口。然后，连接到该端口并发送一个文件。您将获得 html 版本。 NetCat 可以很好地解决这个问题，像 java -jar tika-app.jar --server --port 12345 后跟 nc 127.0.0.1 12345 < MyFileToExtract 这样的东西会让你回到 html

JAX-RS JSR-311 server component 支持几个不同的 url，用于元数据、纯文本等。你用java -jar tika-server.jar 启动服务器，然后用你的输入文档对适当的 url 进行 HTTP 调用，你会得到资源回来。 wiki page 上有大量细节和示例（包括使用 curl 进行测试）

Tika App Network Server 相当简单，仅支持一种模式（提取到 HTML），通常用于测试/演示/原型设计/等。Tika JAXRS Server 是一个完全 RESTful 服务，它与 HTTP 通信，并暴露各种 Tika 的模式。这是目前通过网络和/或非 Java 堆栈与 Tika 交互的普遍推荐方式。

【讨论】：

这个答案对我帮助很大。事实上，服务器不仅返回 HTML。例如，使用“-j”等其他选项，服务器将返回 JSON 元数据。
您可能想使用 curl 代替。 curl -s http://localhost:9998/tika --header "Accept: text/plain" -T filename.xls
线程“main”java.lang.IllegalArgumentException 中的异常：从 Tika 2.0 开始，tika-app 不再支持服务器选项。如该错误中所述，已删除 Tika 应用服务器选项，唯一的方法是运行专用的 Tika 服务器。

【解决方案2】：

只是添加到@Gagravarr 的好答案。

在服务器模式下谈论 Tika 时，区分两个版本很重要，否则会引起混淆：

tika-app.jar 有 --server --port 9998 选项来启动一个简单的服务器
tika-server.jar 是使用 JAX-RS 的独立组件

第一个选项仅提供文本提取并将内容作为 HTML 返回。最有可能的是，您真正想要的是第二个选项，它是一个 RESTful 服务，它公开了 Tika 的更多功能。

您可以在 Tika 项目网站上简单地 download the tika-server.jar。使用

启动服务器

java -jar tika-server-x.x.jar -h 0.0.0.0

-h 0.0.0.0 (host) 选项让服务器监听任何传入的请求，否则它只会监听来自本地主机的请求。也可以加上-p选项改变端口，否则默认为9998。

然后，一旦服务器启动，您就可以使用浏览器访问它。它将列出所有可用的端点。

最后，要从文件中提取元数据，您可以像这样使用 cURL：

curl -T testWORD.doc http://example.com:9998/meta

将元数据作为键/值对返回，每行一个。您还可以通过添加正确的接受标头让 Tika 以 JSON 格式返回结果：

curl -H "Accept: application/json" -T testWORD.doc http://example.com:9998/meta

[2015-01-19 更新] 之前的评论说 tika-server.jar 无法下载。修复了这个问题，因为它确实以二进制下载的形式存在。

【讨论】：

Tika 服务器作为标准构建和分发已有一段时间了！你可以在离你最近的 Apache 镜像上找到它，或者点击download page中的链接
我建议您编辑您的答案以指导人们从镜像下载 tika-app 和 tika-server jar，而不是 tika-src，因为它会更快更容易他们！
我更喜欢这个答案，它更深入
是否可以使用 tika-server 从 URL 中提取内容？当我尝试使用此 curl 时，它正在返回 HTML - curl stackoverflow.com/questions/12231630/… localhost:8000/tika/main
感谢您提到运行服务器的 -h 选项

【解决方案3】：

增强 Gagravarr 完美答案：

如果您的文档是从 WEB 服务器获取的 => curl -u "http://myserver-domain/*path-to-doc*/doc-name.extension" |数控 127.0.0.1 12345
如果文档有密码保护就更好了 => curl -u 登录:*密码* "http://myserver-domain/*path-to-doc*/doc-name.extension" |数控 127.0.0.1 12345

【讨论】：