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

最新推荐文章于 2025-03-26 12:40:27 发布

iteye_10062

最新推荐文章于 2025-03-26 12:40:27 发布

阅读量1.2k

点赞数

分类专栏： java ee 技术文章标签： Apache maven OSGI lucene Google

本文链接：https://blog.csdn.net/iteye_10062/article/details/81918862

版权

Apache Tika是一个强大的文件解析库，可在Lucene检索技术广泛应用背景下，提供对不同格式文件的解析。它已支持包括Word、PDF、TXT在内的多种格式，且解析过程中无乱码问题。通过Maven安装和配置，开发者可以轻松将Tika集成到项目中，实现文档内容的提取。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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

最低0.47元/天解锁文章