使用 Apache Tika 将 MSword 转换为 XML/HTML

Question

我碰巧认识 Tika，在从 word 中提取文本非常有用：

卷曲 www.vit.org/downloads/doc/tariff.doc \ | java -jar tika-app-1.3.jar --text

但是有没有办法用它把 Ms Word 文件转换成 XML/HTML？

Answer 1

是的，它涉及在您的命令中更改 4 个字符！

如果你运行java -jar tika-app-1.3.jar --help，你会得到以下开头的东西：

usage: java -jar tika-app.jar [option...] [file|port...]

Options:
  -?  or --help          Print this usage message
  -v  or --verbose       Print debug level messages
  -V  or --version       Print the Apache Tika version number

  -g  or --gui           Start the Apache Tika GUI
  -s  or --server        Start the Apache Tika server
  -f  or --fork          Use Fork Mode for out-of-process extraction

  -x  or --xml           Output XHTML content (default)
  -h  or --html          Output HTML content
  -t  or --text          Output plain text content
  -T  or --text-main     Output plain text content (main content only)
  -m  or --metadata      Output only metadata
.....

从中，您会看到，如果您将 --text 选项更改为 --html 或 --xml，您将获得格式良好的 XML 而不仅仅是纯文本

Answer 2

尽管这个问题已经得到解答，但由于 op 用 java 标签标记了问题，为了完整起见，我将添加参考以轻松查看如何在 java 中执行此操作。

Tika 单元测试中的 TikaTest.java 超类是使用 getXML method. 将 word 转换为 html 的最简单参考。遗憾的是，他们在编写单元测试时看到了这种 API 的有用性，但选择不公开它作为一个方便的工具，迫使每个人处理处理程序等，这对于常见的用例来说是不幸的样板。