使用Apache Tika提取字符串中姓名失败问题求助

你当前的代码无法提取姓名，核心问题在于：

• Apache Tika的AutoDetectParser默认不会从纯文本内容里提取人物姓名到person元数据字段。metadata.getValues("person")获取的是文档属性级别的元数据（比如Word/PDF文件的作者信息），而非从文本内容中识别的实体姓名。
• 你使用的BodyContentHandler仅负责提取文本内容，不具备实体识别（NER）能力。

要从文本内容中提取姓名，需要启用Tika的命名实体识别（NER）组件，通常基于OpenNLP实现。以下是具体修改步骤：

1. 添加依赖（Maven示例） #

确保引入包含实体识别功能的Tika依赖：

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers-standard-package</artifactId>
    <version>2.9.1</version> <!-- 使用最新稳定版 -->
</dependency>

2. 修改代码实现实体提取 #

替换原有的BodyContentHandler为OpenNLPContentHandler，并配置解析上下文启用实体识别：

import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.sax.OpenNLPContentHandler;
import java.io.ByteArrayInputStream;
import java.io.IOException;
import java.nio.charset.StandardCharsets;
import java.util.ArrayList;
import java.util.List;
import java.util.Map;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import javax.annotation.Nonnull;
import org.xml.sax.SAXException;
import org.apache.tika.exception.TikaException;

public static List<String> extractDataFromText(@Nonnull String input) throws TikaException, IOException, SAXException {
    List<String> data = new ArrayList<>();
    List<String> names = new ArrayList<>();
    ByteArrayInputStream stream = new ByteArrayInputStream(input.getBytes(StandardCharsets.UTF_8));
    
    AutoDetectParser parser = new AutoDetectParser();
    Metadata metadata = new Metadata();
    // 初始化支持实体识别的Handler
    OpenNLPContentHandler entityHandler = new OpenNLPContentHandler();
    ParseContext context = new ParseContext();
    // 将实体Handler注入解析上下文
    context.set(ContentHandler.class, entityHandler);
    
    try {
        parser.parse(stream, entityHandler, metadata, context);
    } catch (TikaException | SAXException e) {
        e.printStackTrace();
    }

    // 提取识别出的PERSON类型实体（姓名）
    Map<String, List<String>> entities = entityHandler.getEntities();
    if (entities.containsKey("PERSON")) {
        names.addAll(entities.get("PERSON"));
    }

    System.out.println(names);

    Pattern pattern = Pattern.compile(EMAIL_ADDRESS + "|" + PHONE_NUMBER);
    Matcher matcher = pattern.matcher(input);

    while (matcher.find()) {
        data.add(matcher.group());
    }

    return data;
}

3. 注意事项 #

• Tika 2.x与1.x的API存在差异，上述示例基于Tika 2.x版本编写，请确保依赖版本匹配。
• 首次运行时，OpenNLP会自动下载预训练的实体识别模型，需要网络连接；若需离线使用，可手动配置模型路径。
• 实体识别的准确率依赖预训练模型，对于特定领域的姓名，可能需要自定义训练模型来优化效果。

内容的提问来源于stack exchange，提问作者Ioanaa 98