Tika文本提取工具的使用(word、pdf、excel等)

出处：http://blog.csdn.net/wxwzy738/article/details/8882391

 

Tika是Apache的Lucene项目下面的子项目，在lucene的应用中可以使用tika获取大批量文档中的内容来建立索引，非常方便，也很容易使用~

 

Tika的缺点就是都是依赖外部的jar包，导致jar包的重量太大，lucene的核心包只有1M，tika约20M，tika依赖的外部的 jar包有多样的功能，比如PDFBox和Apache POI能获取文档的字体，布置和内置图片信息，而Tika只是获取文本信息。但是这些外部的jar包又没有把获取文本信息的抽离出一个单独的jar包。

 

1、Tika的作用

 

 

工程结构：

 

 

2、Tika的工具类

 

[java] view plain copy

1. package org.lucene.util;  
2. import java.io.File;  
3. import java.io.FileInputStream;  
4. import java.io.FileNotFoundException;  
5. import java.io.IOException;  
6. import java.io.InputStream;  
7. import org.apache.lucene.document.Document;  
8. import org.apache.lucene.document.Field;  
9. import org.apache.lucene.index.CorruptIndexException;  
10. import org.apache.lucene.index.IndexWriter;  
11. import org.apache.lucene.index.IndexWriterConfig;  
12. import org.apache.lucene.store.Directory;