本文主要是介绍Apache Lucene Tika 文件内容提取工具,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
Tika入门
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
下面来一个例子:
import java.io.BufferedInputStream;
import java.io.BufferedOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.parser.html.HtmlParser;
import org.apache.tika.parser.microsoft.ooxml.OOXMLParser;
import org.apache.tika.parser.pdf.PDFParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;
import org.xml.sax.SAXException;public class TikaDemo {// public static String PATH = "E:\\test.docx";// public static String PATH = "g:\\丁聪生前访谈:画漫画有个屁用!_夏冬红_新浪博客.htm";public static String PATH = "g:\\你眷恋的 都已离去 歌词 - Google 搜索.htm";// public static String PATH = "E:\\summerbell的博客文章(32).pdf";public static String OUTPATH = PATH + ".OUT";/*** @param args* @throws TikaException* @throws SAXException* @throws IOException*/public static void main(String[] args) throws IOException, SAXException,TikaException {// Parser parser = new OOXMLParser();// Parser parser = new PDFParser();Parser parser = new HtmlParser();/*** */// InputStream iStream = new BufferedInputStream(new FileInputStream(// new File(PATH)));// OutputStream oStream = new BufferedOutputStream(new FileOutputStream(// new File(OUTPATH)));// ContentHandler iHandler = new BodyContentHandler(oStream);// parser.parse(iStream, iHandler, new Metadata(), new ParseContext());/*** 处理指定编码的html.*/InputStream iStream = new BufferedInputStream(new FileInputStream(new File(PATH)));OutputStream oStream = new BufferedOutputStream(new FileOutputStream(new File(OUTPATH)));ContentHandler iHandler = new BodyContentHandler(oStream);Metadata meta = new Metadata();meta.add(Metadata.CONTENT_ENCODING, "utf-8");parser.parse(iStream, iHandler, meta, new ParseContext());}
}
为了检测tika的效率,选取了一个较大的docx文档。
利用=rand(x,y)功能写出1000个段落,每个段落100包含100句文字。
Tika可以正常处理。
源码已附上,用到的jar包在这里:
(如果要处理其他类型的文件,如pdf,还需引入其他的jar包。如Pdfbox等。)
这篇关于Apache Lucene Tika 文件内容提取工具的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!