java tika 读取文件_java – 使用apache tika在doc文件中获取嵌入式资源

我有ms文档包含文本和图像.我想解析它们以获得xml结构.在研究之后,我最终使用apache tika来转换我的文档.我可以将我的doc解析为xml.这是我的代码：

AutoDetectParser parser=new AutoDetectParser();

InputStream input=new FileInputStream(new File("1.docx"));

Metadata metadata = new Metadata();

StringWriter sw = new StringWriter();

SAXTransformerFactory factory = (SAXTransformerFactory)SAXTransformerFactory.newInstance();

TransformerHandler handler = factory.newTransformerHandler();

handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "xml");

handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "no");

handler.setResult(new StreamResult(sw));

parser.parse(input, handler, metadata, new ParseContext());

String xhtml = sw.toString();

我想从文档中提取图像并将其转换为二进制格式.我不知道如何从文档中提取嵌入的资源.

解决方法:

您需要定义自己的类来实现Parser,并将其附加到解析外部文档时提供的ParseConte