（1）Tika获取文件的类型、编码、文本内容

女爷i 2022-07-29 08:57 572阅读 0赞

利用Tika，我们可以获得文件的实际类型、文件的编码格式、字符串的语言、文件的文本内容。Tika集成了许多jar包，包括poi和pdfbox，通过Tika对象的parseToString(File file)方法可以读取TXT、Word、Excel、PPT、PDF、HTML、XML等文件的文本内容。

import java.io.File;
    import java.io.FileInputStream;
    import java.io.FileNotFoundException;
    import java.io.IOException;
    
    import org.apache.tika.Tika;
    import org.apache.tika.detect.AutoDetectReader;
    import org.apache.tika.exception.TikaException;
    import org.apache.tika.language.LanguageIdentifier;
    
    public class Test {
        public static void main(String args[]) throws FileNotFoundException, IOException, TikaException{
            String file="E:\\2013.xls";
            File f = new File(file); 
            Tika tika = new Tika(); //创建一个Tika类 
            //利用Tika的detect方法检测文件的实际类型
            System.out.println("filetype:"+tika.detect(file));
            //利用Tika的parseToString()方法读取文件的文本内容
            System.out.println("content:"+tika.parseToString(f));
            //利用Tika的AutoDetectReader类检测文件的编码格式
            AutoDetectReader dr = new AutoDetectReader(new FileInputStream(file));
            System.out.println("charset:"+dr.getCharset().name());
            //利用Tika的LanguIdentifier类检测字符串的语言
            LanguageIdentifier identifier = new LanguageIdentifier("this is English");
            System.out.println("language:"+identifier.getLanguage());
        }
    }

参考：[http://www.yiibai.com/tika/][http_www.yiibai.com_tika]

[http_www.yiibai.com_tika]: http://www.yiibai.com/tika/