Adam Carroll created TIKA-2211:
----------------------------------
Summary: 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)
