Again, relying on Google translate.
The problem with these files is that they don't self identify their encoding
via http metaheaders, and they contain very little content so Mozilla's
UniversalChardet and ICU4J don't have enough to work with. IE, Chrome and
Firefox all fail on these files, too.
If you know that a file is EUC_JP, you can send a hint via the metadata before
the call to parse:
Metadata metadata = new Metadata();
metadata.set(Metadata.CONTENT_TYPE, "text/html; charset=EUC_JP");
parser.parse(new FileInputStream(document), handler, metadata
, new
ParseContext()); String plainText = handler.toString();
-----Original Message-----
From: question.answer...@gmail.com [mailto:question.answer...@gmail.com]
Sent: Wednesday, September 14, 2016 7:37 AM
To: user@tika.apache.org
Subject: 訂正 ：Apache Tikaで、EUCやshift-jisコードのhtmlの読込みで文字化け
Tikaで読み込むと文字化けするファイルは、このメールに添付してあるものです。
※先程のメールに添付したのは、秀丸エディタで保存したときに、
文字コードが変わったようで、文字化けしません。
ーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーーー
こんにちは。
困っております。
Apache Tikaで、EUCやshift-jisコードのhtmlの読込みで文字化けします。
原因は何で、対応策（Tikaへの設定？など）は、ありますでしょうか？
■読み込むと文字化けするhtmlを添付します。
※EUCコードのファイルです。（秀丸エディタの判定では）
ソース：
-----------------------------------------------------
File document = new File("/usr/local/sample.pdf"); Parser parser = new
AutoDetectParser(); ContentHandler handler = new
BodyContentHandler(Integer.MAX_VALUE);
Metadata metadata = new Metadata();
parser.parse(new FileInputStream(document), handler, metadata
, new
ParseContext()); String plainText = handler.toString();
System.out.println(plainText);
-----------------------------------------------------
--
技術初心者
