Tika 项目介绍

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。

 

我写一个解析word的例子：

package com.kongjob.test;

import java.io.IOException;
import java.io.InputStream;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.microsoft.OfficeParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;
import org.xml.sax.SAXException;

/**
 * Filename: TikaTest.java Description:  
 * @author: jason.he
 * @version: 1.0 Create at: Oct 14, 2009 2:38:22 PM
 * 
 * Modification History: Date Author Version Description
 * 2009 jason.he 1.0 1.0 Version
 */
public class TikaTest {
	
	public static void main(String[] args){
		TikaTest tt = new TikaTest();
		tt.testWordParser();
	}
		
	public String testWordParser(){

		String result = "";
		InputStream input = TikaTest.class.getResourceAsStream("/testWORD.doc");
		
		try {
			ContentHandler handler = new BodyContentHandler();
			Metadata metadata = new Metadata();
			new OfficeParser().parse(input, handler, metadata);

			System.out.println(handler.toString());
					
		} catch (IOException e) {
			e.printStackTrace();
		} catch (SAXException e) {
			e.printStackTrace();
		} catch (TikaException e) {
			e.printStackTrace();
		} finally {
			try {
				input.close();
			} catch (IOException e) {
				e.printStackTrace();
			}
		}
		
		return result;		
		
	}

}

 

输出结果：

 

 

Sample Word Document





This is a sample Microsoft Word Document.

 

很好的东西