我需要一个示例代码来帮助我通过apache tika工具包来检测farsi语言网页。
LanguageIdentifier identifier = new LanguageIdentifier("فارسی"); String language = identifier.getLanguage(); 我已经下载apache.tika jar文件并将它们添加到类path。 但这段代码给波斯语言错误，但它适用于英语。 我怎样才能把波斯语添加到tika的languageIdentifier包中？
Tika没有提供波斯语言的语言资料。 从版本1.0开始，支持27种语言 ：
languages=be,ca,da,de,eo,et,el,en,es,fi,fr,gl,hu,is,it,lt,nl,no,pl,pt,ro,ru,sk,sl,sv,th,uk
在您的示例中，输入被错误地检测为li （立陶宛），距离为0.41，高于确定性阈值0.022。 有关LanguageIdentifier内部工作的更多信息，请参阅源代码 。
波斯语（ 波斯语，ISO 639-1双字母代码fa ）在默认情况下不被识别。 如果你想Tika识别另一种语言，你必须先创建一个语言配置文件。
为此，以下步骤是必要的：
为您的语言找到文本语料库。 我找到了Hamshahri收藏 。 这应该是足够的。 下载语料库或其中的一部分，并从XML中创建一个纯文本文件。
为语言标识创建一个ngram文件。 这可以使用TikaCLI完成：
java -jar tika-app-1.0.jar --create-profile=fa -eUTF-8 fa-corpus.txt这个包含n-gram的文件叫做fa.ngp 。
配置Tika，以便识别新的语言。 以编程方式使用LanguageIdentifier.initProfiles()或者将名为tika.language.override.properties的属性文件放入类路径中。 确保ngram文件也在类路径中。
如果你现在运行Tika，它应该正确地检测你的语言。
更新：详细介绍创建语言配置文件所需的步骤。