apache-tika

Ich habe eine Anwendung auf meinem Ubuntu 14.04.x-Rechner. Diese Anwendung führt Text-Mining für PDF-Dateien durch. Ich vermute, dass es Apache Tika usw. verwendet ... Das Problem ist, dass ich während des Leseprozesses folgende Warnung bekom...

Ich verwende Apache Tika, und ich habe Dateien (ohne Erweiterung) eines bestimmten Inhaltstyps, die umbenannt werden müssen, um eine Erweiterung zu haben, die den Inhaltstyp widerspiegelt. Irgendeine Idee, wenn es etwas gibt, das ich verwende...

Die gesamte Dokumentation, die ich finden kann, scheint darauf hinzudeuten, dass ich nur den gesamten Inhalt der Datei extrahieren kann. Aber ich muss die Seiten einzeln extrahieren. Muss ich dafür meinen eigenen Parser schreiben? Gibt es eine o...

Ich lade Tika-Core- und Tika-Parser-Bibliotheken herunter, aber ich konnte die Beispielcodes nicht finden, um HTML-Dokumente als String zu analysieren. Ich muss alle HTML-Tags der Quelle einer Webseite loswerden. Was kann ich tun? Wie programmie...