You are viewing a plain text version of this content. The canonical link for it is here.
Posted to dev@tika.apache.org by "Tim Allison (JIRA)" <ji...@apache.org> on 2016/12/19 11:55:58 UTC
[jira] [Commented] (TIKA-2211) ePub formatting instructions appear
in plain text output
[ https://issues.apache.org/jira/browse/TIKA-2211?page=com.atlassian.jira.plugin.system.issuetabpanels:comment-tabpanel&focusedCommentId=15760978#comment-15760978 ]
Tim Allison commented on TIKA-2211:
-----------------------------------
The ePub parser is using a straight SAXParser with no modifications. Looks like we should modify it slightly to ignore <style/> sections?
{noformat}
<head>
<title></title>
<style type="text/css">
/*<![CDATA[*/
p.sgc-2 {font-style: italic; text-align: right}
p.sgc-1 {text-align: justify;}
h3.sgc-3 {text-align: center;}
/*]]>*/
</style>
</head>
{noformat}
> ePub formatting instructions appear in plain text output
> --------------------------------------------------------
>
> Key: TIKA-2211
> URL: https://issues.apache.org/jira/browse/TIKA-2211
> Project: Tika
> Issue Type: Bug
> Affects Versions: 1.14
> Environment: I tested this on on Mac OSX 10.11.6 with Oracle JDK 1.8.0_112. The Tika stand-alone application was launched as follows:
> {code}
> java -jar tika-app-1.14.jar
> {code}
> Reporter: Adam Carroll
>
> For some ePub files, format information appears in the plain text output produced by Apache Tika. For example the Tika stand-alone application shows the following text for the file “Don Quijote de la Mancha - Miguel de Cervantes.epub” (dowloaded [here|http://www.literanda.com/don-quijote-de-la-mancha--miguel-de-cervantes--epub]):
> {code}
> /**/
> p.sgc-2 {font-style: italic; text-align: right}
> p.sgc-1 {text-align: justify;}
> h3.sgc-3 {text-align: center;}
> /**/
> Al duque de Béjar
> Marqués de Gibraleón, conde de Benalcázar y Bañares, vizconde de La Puebla de Alcocer, señor de las villas de Capilla, Curiel y Burguillos
> En fe del buen acogimiento y honra que hace Vuestra Excelencia a toda suerte de libros, como príncipe tan inclinado a favorecer las buenas artes, mayormente las que por su nobleza no se abaten al servicio y granjerías del vulgo, he determinado de sacar a luz El ingenioso hidalgo don Quijote de la Mancha, al abrigo del clarísimo nombre de Vuestra Excelencia, a quien, con el acatamiento que debo a tanta grandeza, suplico le reciba agradablemente en su protección, para que a su sombra, aunque desnudo de aquel precioso ornamento de elegancia y erudición de que suelen andar vestidas las obras que se componen en las casas de los hombres que saben, ose parecer seguramente en el juicio de algunos que, conteniéndose en los límites de su ignorancia, suelen condenar con más rigor y menos justicia los trabajos ajenos; que, poniendo los ojos la prudencia de Vuestra Excelencia en mi buen deseo, fío que no desdeñará la cortedad de tan humilde servicio.
> {code}
> To reproduce this problem run the stand-alone version of Tika and open an affected ePub file such as the one mentioned above. Then go to View -> Plain Text. You should see the problem there.
> By the way, thanks for making Apache Tika a really useful library. Keep up the good work!
--
This message was sent by Atlassian JIRA
(v6.3.4#6332)