tika读取文件内容

旧城等待， 2022-08-25 10:57 289阅读 0赞

![07091814_WSiM.png][]

Tika是一个内容抽取的工具集合(a toolkit for text extracting)。它集成了[POI][], [Pdfbox][] 并且为文本抽取工作提供了一个统一的界面。其次，Tika也提供了便利的扩展API，用来丰富其对第三方文件格式的支持。  
  
在当前的0.2-SNAPSHOT版本中， Tika提供了对如下文件格式的支持:

*  PDF - 通过Pdfbox
 *  MS-\* - 通过POI
 *  HTML - 使用[nekohtml][]将不规范的html整理成为xhtml
 *  OpenOffice 格式 - Tika提供
 *  Archive - zip, tar, gzip, bzip等
 *  RTF - Tika提供
 *  Java class - Class解析由[ASM][]完成
 *  Image - 只支持图像的元数据抽取
 *  XML

Tika的API十分便捷，核心是Parser interface，其中定义了一个parse方法：  
`public void parse(InputStream stream, ContentHandler handler, Metadata metadata)`  
用stream参数传递需要解析的文件流， 文本内容会被传入handler，而元数据会更新至metadata。  
  
可以使用Tika的ParserUtils工具来根据文件的`mime-type`来得到一个适当的Parser来进行解析工作。或者Tika还提供了一个AutoDetectParser根据不同的二进制文件的特殊格式 (比如说Magic Code)，来寻找适合的Parser。

**提示：主要tika-xx.jar,解析相应的文件必须有相应的jar.例如：excel文件必须用到poi-xx.jar**

**相关包下载地址[http://download.csdn.net/download/an74520/7658941][http_download.csdn.net_download_an74520_7658941]**

package com.miracle.tools;
    import org.apache.tika.metadata.Metadata;
    import org.apache.tika.parser.AutoDetectParser;
    import org.apache.tika.parser.ParseContext;
    import org.apache.tika.parser.Parser;
    import org.apache.tika.sax.BodyContentHandler;
    import org.xml.sax.ContentHandler;
    import java.io.*;
    
    /**
     * Created with IntelliJ IDEA.
     * User: lianan
     * Date: 14-3-3
     * Time: 上午10:05
     * To change this template use File | Settings | File Templates.
     */
    public class TiKaUtil {
    
        public static String parseFile(File file){
            Parser parser = new AutoDetectParser();
            InputStream input = null;
            try{
                Metadata metadata = new Metadata();
                metadata.set(Metadata.CONTENT_ENCODING, "utf-8");
                metadata.set(Metadata.RESOURCE_NAME_KEY, file.getName());
                input = new FileInputStream(file);
                ContentHandler handler = new BodyContentHandler();//当文件大于100000时，new BodyContentHandler(1024*1024*10); 
                ParseContext context = new ParseContext();
                context.set(Parser.class,parser);
                parser.parse(input,handler, metadata,context);
                for(String name:metadata.names()) {
                    System.out.println(name+":"+metadata.get(name));
                }
                System.out.println(handler.toString());
                return handler.toString();
            }catch (Exception e){
                e.printStackTrace();
            }finally {
                try {
                    if(input!=null)input.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
            return null;
    
        }
    
        public static void main(String argt0[])throws Exception{
            parseFile(new File("E:\\学习手册pdf\\HOST.txt"));
        }
    }

[07091814_WSiM.png]: /images/20220824/060611f793a14bb18ed9020a1d0e4424.png
[POI]: http://www.oschina.net/p/poi
[Pdfbox]: http://www.oschina.net/p/pdfbox
[nekohtml]: http://www.oschina.net/p/nekohtml
[ASM]: http://www.oschina.net/p/asm
[http_download.csdn.net_download_an74520_7658941]: http://download.csdn.net/download/an74520/7658941