使用tika读取各个文件数据

首先我们到官网下载tika的jar包

1.将jar包引入到项目中:

接下来我们就可以进行数据的读取

参考文件: http://www.yiibai.com/tika/tika_architecture.html

1.读取普通本文

[java]  view plain  copy

 print ?

1. package cn.qblank.tika;  
2.   
3. import java.io.File;  
4.   
5. import org.apache.tika.Tika;  
6. /** 
7.  * 获取普通文本的数据 
8.  * 使用Tika facade 类从文件中提取文本 
9.  * @author evan_qb 
10.  */  
11. public class ReadText {  
12.     public static void main(String[] args) throws Exception {  
13.         File file = new File("D:/test/test.txt");  
14.         Tika tika = new Tika();  
15.         String content = tika.parseToString(file);  
16.         content = new String(content.getBytes("ISO-8859-1"),"gbk");  
17.         System.out.println("文件内容为:\n" + content);  
18.     }  
19. }  

2.读取xml的数据

[java]  view plain  copy

 print ?

1. package cn.qblank.tika;  
2.   
3. import java.io.File;  
4. import java.io.FileInputStream;  
5.   
6. import org.apache.tika.metadata.Metadata;  
7. import org.apache.tika.parser.ParseContext;  
8. import org.apache.tika.parser.xml.XMLParser;  
9. import org.apache.tika.sax.BodyContentHandler;  
10. /** 
11.  * 读取xml文件 
12.  * @author Administrator 
13.  */  
14. public class ReaderXML {  
15.     public static void main(String[] args) throws Exception{  
16.           //检测文件类型  
17.           BodyContentHandler handler = new BodyContentHandler();  
18.           Metadata metadata = new Metadata();  
19.           FileInputStream inputstream = new FileInputStream(new File("d:/test/contact.xml"));  
20.           ParseContext pcontext = new ParseContext();  
21.           //转换为xml  
22.           XMLParser xmlparser = new XMLParser();   
23.           xmlparser.parse(inputstream, handler, metadata, pcontext);  
24.           System.out.println("XML文件内容:\n" + handler.toString());  
25.           System.out.println("元数据内容:");  
26.           String[] metadataNames = metadata.names();  
27.           for(String name : metadataNames) {  
28.              System.out.println(name + ": " + metadata.get(name));  
29.           }  
30.     }  
31. }  

xml文件:

读取结果:

3.读取html

[html]  view plain  copy

 print ?

1. package cn.qblank.tika;  
2.   
3. import java.io.File;  
4. import java.io.FileInputStream;  
5.   
6. import org.apache.tika.metadata.Metadata;  
7. import org.apache.tika.parser.ParseContext;  
8. import org.apache.tika.parser.html.HtmlParser;  
9. import org.apache.tika.sax.BodyContentHandler;  
10. /**  
11.  * 获取HTML的数据  
12.  * @author Administrator  
13.  */  
14. public class ReaderXHTML {  
15.     public static void main(String[] args) throws Exception {  
16.         //检测html文件  
17.         BodyContentHandler handler = new BodyContentHandler();  
18.         Metadata metadata = new Metadata();  
19.         FileInputStream inputstream = new FileInputStream(new File("D:/test/test1.html"));  
20.         ParseContext pcontext = new ParseContext();  
21.         //转换为HTML  
22.         HtmlParser htmlparser = new HtmlParser();  
23.         htmlparser.parse(inputstream, handler, metadata,pcontext);  
24.         System.out.println("文档内容:\n" + handler.toString());  
25.         System.out.println("元数据:");  
26.         String[] metadataNames = metadata.names();  
27.         for(String name : metadataNames) {  
28.            System.out.println(name + ":   " + metadata.get(name));    
29.         }  
30.     }  
31.       
32. }  

html文件如下:

读取结果如下:

4.读取Excel文档:

[java]  view plain  copy

 print ?

1. package cn.qblank.tika;  
2.   
3. import java.io.File;  
4. import java.io.FileInputStream;  
5.   
6. import org.apache.tika.metadata.Metadata;  
7. import org.apache.tika.parser.ParseContext;  
8. import org.apache.tika.parser.microsoft.ooxml.OOXMLParser;  
9. import org.apache.tika.sax.BodyContentHandler;  
10.   
11. /** 
12.  * tika入门:获取Excel文档的数据 
13.  * @author evan_qb 
14.  */  
15. public class ReaderSheet {  
16.     public static void main(String[] args) throws Exception {  
17.         //检测文件类型  
18.         BodyContentHandler handler = new BodyContentHandler();  
19.         Metadata metadata = new Metadata();  
20.         FileInputStream inputstream = new FileInputStream(new File("d:/Writesheet.xlsx"));  
21.         ParseContext pcontext = new ParseContext();  
22.         //使用OOXMLParser转换器  
23.         OOXMLParser  msofficeparser = new OOXMLParser ();   
24.         msofficeparser.parse(inputstream, handler, metadata,pcontext);  
25.         System.out.println("数据内容:\n" + handler.toString());  
26.         System.out.println("元数据:");  
27.         String[] metadataNames = metadata.names();  
28.         for(String name : metadataNames) {  
29.            System.out.println(name + ": " + metadata.get(name) );  
30.         }  
31.     }  
32. }  

Excel数据:

读取数据:

装载自：http://blog.csdn.net/evan_qb/article/details/78856563