tika读取文件内容

来源：互联网发布：淘宝怎样激活蚂蚁花呗编辑：程序博客网时间：2024/06/03 11:37

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

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"));    }}

0 0