如何在使用Apache TIKA解析文本時指定編碼？

我面臨的問題是，我在網上找到的任何Tika示例代碼都使用StringWriter，如下所示。如果我能以某種方式使這個使用OutputStreamWriter，我可以指定編碼沒有問題...任何幫助，將不勝感激。

InputStream inStream = new FileInputStream(pathname); 
StringWriter sw = new StringWriter(); 
SAXTransformerFactory factory = (SAXTransformerFactory)SAXTransformerFactory.newInstance(); 
TransformerHandler handler = factory.newTransformerHandler(); 
handler.getTransformer().setOutputProperty(OutputKeys.METHOD,"html"); 
handler.getTransformer().setOutputProperty(OutputKeys.INDENT,"no"); 
handler.setResult(new StreamResult(sw)); 
parser.parse(inStream, handler, metadata, context);

來源

2013-06-28 superdemongob

當你將字符串從StringWriter轉換成被寫出的東西時，你可以設置編碼嗎？ – Gagravarr

我該怎麼做呢？問題是，在這之後，我必須對字符串做一堆東西，所以我基本上在做sw.toString（）並使用該結果來操縱它。但是失去了編碼... – superdemongob

Java中的字符串始終是Unicode。在讀取字節/文件/流時，只需要擔心編碼，並將其轉換爲字符串，並再次寫入字符串。所以，像'新的FileOutputStream中（「的test.txt」）寫（「測試」 .getBytes（「ISO-8859-1」））;'應該是罰款一組編碼輸出您的字符串 – Gagravarr

-2

如果解析文本，則可以使用傳統IO來指定編碼。

來源

2013-09-19 06:25:49 zhy

能否請您展開在這個答案，使其更有用。 – laalto

您可以通過元數據對象設置編碼。我用這個片段：

import org.apache.tika.metadata.Metadata; 

Metadata metadata = new Metadata(); 
metadata.add(Metadata.CONTENT_ENCODING, DATAFILE_CHARSET); 
String parsedString = tika.parseToString(inputStream, metadata);

默認情況下蒂卡試圖確定編碼本身，解析HTML時。但有時這可能會導致錯誤。

來源

2013-11-27 18:59:41

詳見org.apache.tika.parser.html.HtmlParser.getEncoding（） –

unfornatly蒂卡將其視爲提案，讓我遇到了在那裏Tika使用另一個（假）編碼的文件，但在大多數情況下，這幫助。 –

如何在使用Apache TIKA解析文本時指定編碼？

回答

相關問題