Может ли Apache Tika проанализировать встроенное изображение в word docx/doc в правильном положении? ⇐ JAVA

[Anonymous]

Я использую tika для анализа документа. Я определил собственный анализатор изображений, использующий ocr, поэтому изображение будет анализироваться с помощью ocr.
Когда я использую tika для анализа Microsoft Word (doc/docx), я обнаружил, что встроенное изображение поместите в конец документа.
Я прочитал исходный код в AbstractOOXMLExtractor и обнаружил, что он сначала анализирует xhtml, а затем внедряет файлы, поэтому он всегда будет помещен в конце.

Код: Выделить всё

public void getXHTML(ContentHandler handler, Metadata metadata, ParseContext context)
throws SAXException, XmlException, IOException, TikaException {
XHTMLContentHandler xhtml = new XHTMLContentHandler(handler, metadata);
xhtml.startDocument();

// first parse xhtml
buildXHTML(xhtml);

// then the embedded files
// Now do any embedded parts
handleEmbeddedParts(xhtml, metadata, getEmbeddedPartMetadataMap());

// thumbnail
handleThumbnail(xhtml, metadata);

xhtml.endDocument();
}

И я обнаружил, что нет возможности настроить его.
Я настроил ParsingEmbeddedDocumentExtractor、

Код: Выделить всё

ParsingEmbeddedDocumentExtractorFactory、ParsingEmbeddedDocumentExtractor

, чтобы записать проанализированное встроенное изображение в ParseContext (а не в проанализированный результат)
Затем я проанализировал документ как XML, замените тег img с проанализированным встроенным файлом, полученным из ParseContext.
Таким образом, я могу проанализировать изображение в msword в правильном положении.
Интересно есть ли лучший способ выполнить эту работу?
И почему tika анализирует встроенные файлы в конце документа?
Любая проблема с их анализом, где они появились?

Подробнее здесь: https://stackoverflow.com/questions/787 ... t-position