Question

由于我想使用apache Tika从.doc文件中提取数据，因此我运行以下代码：

import org.apache.tika.io.TikaInputStream
import org.apache.tika.parser.{AutoDetectParser, ParseContext}
import org.apache.spark._
import scala.collection.mutable
import org.apache.spark.SparkContext
import org.apache.spark.SparkContext._
import org.apache.spark.SparkConf
import org.apache.spark.input.PortableDataStream
import org.apache.tika.metadata._
import org.apache.tika.parser._
import org.apache.tika.sax.WriteOutContentHandler
import java.io._
import java.io.FileInputStream
import java.io.{File, PrintWriter}
import java.nio.file.{Path,Paths}

object ParserData {

   def main(args: Array[String]) {

    val filesPath = "Path/Input/files"
    val conf = new SparkConf().setMaster("local[2]").setAppName("ParserData")
    val sc = new SparkContext(conf)
    val fileData = sc.binaryFiles(filesPath)
    fileData.foreach( x => tikaFunc(x)) 
  }

 def tikaFunc (a: (String, PortableDataStream)) = {

    val file : File = new File(a._1.drop(5))
    val myparser : AutoDetectParser = new AutoDetectParser()
    val stream : InputStream = new FileInputStream(file)
    val handler : WriteOutContentHandler = new WriteOutContentHandler(-1)
    val metadata : Metadata = new Metadata()
    val context : ParseContext = new ParseContext()

    myparser.parse(stream, handler, metadata, context)

    stream.close

    val content = handler.toString()
    println(handler.toString())
    println("------------------------------------------------")




    val count = Option(new File("Path/Output/files").list).map(_.size).getOrElse(0) //to count the number of Input files
    for (i <- 0 until count){
    val writer = new PrintWriter(new FileOutputStream(s"Path/Output/files$i.txt"),true)
    writer.println(content)
    writer.close()
 }  
}


}

我需要的输出是在不同的.doc文件中每个.txt的提取数据

我的代码仅给我.doc中的每个.txt文件之一的输出生成的文件

在IDE中，使用输出的Iam正确，但是生成的文件不正确。

如果有人对我如何获得所需的输出有任何想法，请帮助！

非常感谢！

Scala：将每个提取的文件数据写入不同的文件中

0 个答案: