从 Tika 中提取文本内容而不指定文件头答案

【问题标题】：Extract text content from Tika without specifying the file header从 Tika 中提取文本内容而不指定文件头
【发布时间】：2015-06-02 11:59:09
【问题描述】：

有没有办法使用 Tika 服务器从文件中提取内容而无需明确定义标头？例如对于一个名为“file.pdf”的特定文件，如果我这样做了

curl -X PUT --data-binary @file.pdf localhost:9998/tika --header "Content-type: application/pdf" > file.txt

我在“file.txt”中获得了提取的内容，但如果我省略了

' --header "Content-type: application/pdf" '

我得到一个空的“file.txt”。

一般来说，有没有一种方法可以自动化将文档提交到 tika 服务器并使用单个命令提取 txt 中的内容的过程？

或者，我如何使用管道将文件的可能 Tika 标头输出答案重定向到此问题开头的命令？

非常感谢社区！

【问题讨论】：

【解决方案1】：

您错误地调用了 Tika 服务器以获得自动检测。正如Tika Server wiki page 中所详述的那样，要从任何文件（包括 PDF）中提取纯文本，您应该将 Curl 运行为：

curl -T file.pdf http://localhost:9998/tika --header "Accept: text/plain"

您需要一个接受标头来告诉 Tika 您希望结果采用哪种格式（纯文本或 HTML 用于文本提取，更多格式可用于元数据）。只要您直接使用-T 选项发送文件，就会自动为您检测其类型

【讨论】：