Apache tica详述

wangwengwu

　　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.iyunv.com/download/an74520/7658941
　　






[java] view plaincopyprint?http://onexin.iyunv.com/source/plugin/onexin_bigdata/https://code.iyunv.com/assets/CODE_ico.pnghttp://onexin.iyunv.com/source/plugin/onexin_bigdata/https://code.iyunv.com/assets/ico_fork.svg





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"));  
}  
}