（1）Tika获取文件的类型、编码、文本内容

最新推荐文章于 2024-08-10 17:53:55 发布

Fighting_No1

最新推荐文章于 2024-08-10 17:53:55 发布

阅读量5.3k

点赞数

分类专栏：文件读写文章标签： tika 文本读取 Java

本文链接：https://blog.csdn.net/Fighting_No1/article/details/50930396

版权

文件读写专栏收录该内容

10 篇文章 0 订阅

订阅专栏

利用Tika，我们可以获得文件的实际类型、文件的编码格式、字符串的语言、文件的文本内容。Tika集成了许多jar包，包括poi和pdfbox，通过Tika对象的parseToString(File file)方法可以读取TXT、Word、Excel、PPT、PDF、HTML、XML等文件的文本内容。

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;

import org.apache.tika.Tika;
import org.apache.tika.detect.AutoDetectReader;
import org.apache.tika.exception.TikaException;
import org.apache.tika.language.LanguageIdentifier;

public class Test {
    public static void main(String args[]) throws FileNotFoundException, IOException, TikaException{
        String file="E:\\2013.xls";
        File f = new File(file);  
        Tika tika = new Tika();  //创建一个Tika类    
        //利用Tika的detect方法检测文件的实际类型
        System.out.println("filetype:"+tika.detect(file));
        //利用Tika的parseToString()方法读取文件的文本内容
        System.out.println("content:"+tika.parseToString(f));
        //利用Tika的AutoDetectReader类检测文件的编码格式
        AutoDetectReader dr = new AutoDetectReader(new FileInputStream(file));
        System.out.println("charset:"+dr.getCharset().name());
        //利用Tika的LanguIdentifier类检测字符串的语言
        LanguageIdentifier identifier = new LanguageIdentifier("this is English");
        System.out.println("language:"+identifier.getLanguage());
    }
}