Apache tika -- 解析多种类型（word、pdf、txt 等）文件！

apache 是个伟大的组织。

在lucene 检索 如火如荼时， apache不忘继续努力，近期提供了对各种格式文件进行解析的解决方案 -- apache旗下的tika. 虽然还没有1.0版  ， 但已经很好用：

/**
	 * 解析各种类型文件
	 * @param 文件路径
	 * @return 文件内容字符串
	 */
	public static String parse(String path) {
		String result = "";
		TikaConfig tikaConfig = TikaConfig.getDefaultConfig();
		try {
			result = ParseUtils.getStringContent(new File(path), tikaConfig);
		}catch (Exception e) {
			log.debug("[by ninja.hzw]" + e);
		}
		return result;
	}

 

很简单，可以解析各种文件，返回文档内容字符串， word2003/2007 、 pdf  、 txt 都经过测试，均能解析且无乱码问题。  

 

oh, Great Apach

 

Tika 的下载和打包：

下载不用多说，google 一下“apache tika” 找到其官网下载即可。

To build Tika from sources you first need to either download a source release or checkout the latest sources from version control.

Once you