Apache Tika 能够提取中文、日语等外语吗？

Apache Tika 能够提取中文、日语等外语吗？

我有以下代码：

    Detector detector = new DefaultDetector();
    Parser parser = new AutoDetectParser(detector);
    InputStream stream = new ByteArrayInputStream(bytes);
    OutputStream outputstream = new ByteArrayOutputStream();
    ContentHandler textHandler = new BodyContentHandler(outputstream);
    Metadata metadata = new Metadata();
    // Set<String> langs = LanguageIdentifier.getSupportedLanguages();
    // metadata.set(Metadata.CONTENT_LANGUAGE, lang);
    // metadata.set(Metadata.FORMAT, hint);
    ParseContext context = new ParseContext();
    try {
        parser.parse(stream, textHandler, metadata, context);
        String extractedText = outputstream.toString();
        return extractedText;
    } catch (IOException e) {
        e.printStackTrace();
    } catch (SAXException e) {
        e.printStackTrace();
    } catch (TikaException e) {
        e.printStackTrace();
    }

如果输入的是包含汉字的doc文件，则每个汉字将被提取为“？”。

多谢！

Apache Tika 能够从其支持的文件格式中提取 unicode 文本。只要文件格式可以存储unicode文本（例如中文或日文字符），Apache Tika就可以提取它

Tika 还为此提供了许多单元测试，以验证其是否有效。其中一项测试使用这个中文电子邮件样本 http://svn.apache.org/repos/asf/tika/trunk/tika-parsers/src/test/resources/test-documents/testMSG_chinese.msg。如果使用命令行 Tika 应用程序，并获取前几行，我们会看到它正在工作：

$ java -jar tika-app-1.4.jar --text testMSG_chinese.msg | head
Alfresco MSG format testing ( MSG 格式測試 )
    From
    Tests Chang@FT (張毓倫)
    To
    Tests Chang@FT (張毓倫)
    Recipients
    [email protected] /cdn-cgi/l/email-protection

或者用这个日语文件 https://svn.apache.org/repos/asf/tika/trunk/tika-parsers/src/test/resources/test-documents/testRTFJapanese.rtf:

$ java -jar tika-app-1.4.jar --text testRTFJapanese.rtf | head -2
ゾルゲの処刑記録、
ゾルゲと尾崎、淡々と最期　

您只需要确保您生成的任何文本输出都以合适的编码存储（例如utf8），并且您用来显示它的字体支持这些字形！