Tika文本提取工具的使用(word、pdf、excel等)


分类: lucene 554人阅读 评论(1) 收藏 举报

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

  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;  
  13. import org.apache.lucene.store.FSDirectory;  
  14. import org.apache.lucene.store.LockObtainFailedException;  
  15. import org.apache.lucene.util.Version;  
  16. import org.apache.tika.Tika;  
  17. import org.apache.tika.exception.TikaException;  
  18. import org.apache.tika.metadata.Metadata;  
  19. import org.apache.tika.parser.AutoDetectParser;  
  20. import org.apache.tika.parser.ParseContext;  
  21. import org.apache.tika.parser.Parser;  
  22. import org.apache.tika.sax.BodyContentHandler;  
  23. import org.xml.sax.ContentHandler;  
  24. import org.xml.sax.SAXException;  
  25. import com.chenlb.mmseg4j.analysis.MMSegAnalyzer;  
  26.   
  27. public class IndexUtil {  
  28.     /** 
  29.      * 直接读取pdf建立索引,结果是索引建立成功了,但是索引存储的数据却是乱的 
  30.      */  
  31.     public void index() {  
  32.         try {  
  33.             File f = new File("F:\\文档资料\\lucene_in_action中文版.pdf");  
  34.             Directory dir = FSDirectory.open(new File("f:/lucene"));  
  35.             IndexWriter writer = new IndexWriter(dir,new IndexWriterConfig(Version.LUCENE_35, new MMSegAnalyzer()));  
  36.             writer.deleteAll();  
  37.             Document doc = new Document();  
  38.             doc.add(new Field("content",new Tika().parse(f)));  
  39.             writer.addDocument(doc);  
  40.             writer.close();  
  41.         } catch (CorruptIndexException e) {  
  42.             e.printStackTrace();  
  43.         } catch (LockObtainFailedException e) {  
  44.             e.printStackTrace();  
  45.         } catch (FileNotFoundException e) {  
  46.             e.printStackTrace();  
  47.         } catch (IOException e) {  
  48.             e.printStackTrace();  
  49.         }  
  50.     }  
  51.       
  52.     /** 
  53.      * 根据Tika得到文档的内容,这种比下面那种获取的要简单很多, 
  54.      * 据tika的文档上说,效率没有下面的那种高,可能封装的比较多 
  55.      * @param f 
  56.      * @return 
  57.      * @throws IOException 
  58.      * @throws TikaException 
  59.      */  
  60.     public String tikaTool(File f) throws IOException, TikaException {  
  61.         Tika tika = new Tika();  
  62.         Metadata metadata = new Metadata();  
  63.         metadata.set(Metadata.AUTHOR, "空号");//重新设置文档的媒体内容  
  64.         metadata.set(Metadata.RESOURCE_NAME_KEY, f.getName());  
  65.         String str = tika.parseToString(new FileInputStream(f),metadata);  
  66.         for(String name:metadata.names()) {  
  67.             System.out.println(name+":"+metadata.get(name));  
  68.         }  
  69.         return str;  
  70.     }  
  71.       
  72.     /** 
  73.      * 根据Parser得到文档的内容 
  74.      * @param f 
  75.      * @return 
  76.      */  
  77.     public String fileToTxt(File f) {  
  78.         Parser parser = new AutoDetectParser();//自动检测文档类型,自动创建相应的解析器  
  79.         InputStream is = null;  
  80.         try {  
  81.             Metadata metadata = new Metadata();  
  82.             metadata.set(Metadata.AUTHOR, "空号");//重新设置文档的媒体内容  
  83.             metadata.set(Metadata.RESOURCE_NAME_KEY, f.getName());  
  84.             is = new FileInputStream(f);  
  85.             ContentHandler handler = new BodyContentHandler();  
  86.             ParseContext context = new ParseContext();  
  87.             context.set(Parser.class,parser);  
  88.             parser.parse(is,handler, metadata,context);  
  89.             for(String name:metadata.names()) {  
  90.                 System.out.println(name+":"+metadata.get(name));  
  91.             }  
  92.             return handler.toString();  
  93.         } catch (FileNotFoundException e) {  
  94.             e.printStackTrace();  
  95.         } catch (IOException e) {  
  96.             e.printStackTrace();  
  97.         } catch (SAXException e) {  
  98.             e.printStackTrace();  
  99.         } catch (TikaException e) {  
  100.             e.printStackTrace();  
  101.         } finally {  
  102.             try {  
  103.                 if(is!=null) is.close();  
  104.             } catch (IOException e) {  
  105.                 e.printStackTrace();  
  106.             }  
  107.         }  
  108.         return null;  
  109.     }  
  110. }  
package org.lucene.util;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStream;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.CorruptIndexException;
import org.apache.lucene.index.IndexWriter;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.store.LockObtainFailedException;
import org.apache.lucene.util.Version;
import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;
import org.xml.sax.SAXException;
import com.chenlb.mmseg4j.analysis.MMSegAnalyzer;

public class IndexUtil {
	/**
	 * 直接读取pdf建立索引,结果是索引建立成功了,但是索引存储的数据却是乱的
	 */
	public void index() {
		try {
			File f = new File("F:\\文档资料\\lucene_in_action中文版.pdf");
			Directory dir = FSDirectory.open(new File("f:/lucene"));
			IndexWriter writer = new IndexWriter(dir,new IndexWriterConfig(Version.LUCENE_35, new MMSegAnalyzer()));
			writer.deleteAll();
			Document doc = new Document();
			doc.add(new Field("content",new Tika().parse(f)));
			writer.addDocument(doc);
			writer.close();
		} catch (CorruptIndexException e) {
			e.printStackTrace();
		} catch (LockObtainFailedException e) {
			e.printStackTrace();
		} catch (FileNotFoundException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		}
	}
	
	/**
	 * 根据Tika得到文档的内容,这种比下面那种获取的要简单很多,
	 * 据tika的文档上说,效率没有下面的那种高,可能封装的比较多
	 * @param f
	 * @return
	 * @throws IOException
	 * @throws TikaException
	 */
	public String tikaTool(File f) throws IOException, TikaException {
		Tika tika = new Tika();
		Metadata metadata = new Metadata();
		metadata.set(Metadata.AUTHOR, "空号");//重新设置文档的媒体内容
		metadata.set(Metadata.RESOURCE_NAME_KEY, f.getName());
		String str = tika.parseToString(new FileInputStream(f),metadata);
		for(String name:metadata.names()) {
			System.out.println(name+":"+metadata.get(name));
		}
		return str;
	}
	
	/**
	 * 根据Parser得到文档的内容
	 * @param f
	 * @return
	 */
	public String fileToTxt(File f) {
		Parser parser = new AutoDetectParser();//自动检测文档类型,自动创建相应的解析器
		InputStream is = null;
		try {
			Metadata metadata = new Metadata();
			metadata.set(Metadata.AUTHOR, "空号");//重新设置文档的媒体内容
			metadata.set(Metadata.RESOURCE_NAME_KEY, f.getName());
			is = new FileInputStream(f);
			ContentHandler handler = new BodyContentHandler();
			ParseContext context = new ParseContext();
			context.set(Parser.class,parser);
			parser.parse(is,handler, metadata,context);
			for(String name:metadata.names()) {
				System.out.println(name+":"+metadata.get(name));
			}
			return handler.toString();
		} catch (FileNotFoundException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		} catch (SAXException e) {
			e.printStackTrace();
		} catch (TikaException e) {
			e.printStackTrace();
		} finally {
			try {
				if(is!=null) is.close();
			} catch (IOException e) {
				e.printStackTrace();
			}
		}
		return null;
	}
}

3、测试类

  1. package org.lucene.test;  
  2.   
  3. import java.io.File;  
  4. import java.io.IOException;  
  5. import org.apache.tika.exception.TikaException;  
  6. import org.junit.Test;  
  7. import org.lucene.util.IndexUtil;  
  8.   
  9. public class TestIndex {  
  10.     @Test  
  11.     public void testIndex() {  
  12.         IndexUtil iu = new IndexUtil();  
  13.         iu.index();  
  14.     }  
  15.       
  16.     @Test  
  17.     public void testTika01() {  
  18.         IndexUtil iu = new IndexUtil();  
  19.         System.out.println(iu.fileToTxt(new File("F:\\文档资料\\lucene_in_action中文版.pdf")));  
  20.     }  
  21.       
  22.     @Test  
  23.     public void testToka02() throws IOException, TikaException {  
  24.         IndexUtil iu = new IndexUtil();  
  25.         System.out.println(iu.tikaTool(new File("F:\\文档资料\\初级SQL开发指南.doc")));  
  26.     }  
  27. }  
package org.lucene.test;

import java.io.File;
import java.io.IOException;
import org.apache.tika.exception.TikaException;
import org.junit.Test;
import org.lucene.util.IndexUtil;

public class TestIndex {
	@Test
	public void testIndex() {
		IndexUtil iu = new IndexUtil();
		iu.index();
	}
	
	@Test
	public void testTika01() {
		IndexUtil iu = new IndexUtil();
		System.out.println(iu.fileToTxt(new File("F:\\文档资料\\lucene_in_action中文版.pdf")));
	}
	
	@Test
	public void testToka02() throws IOException, TikaException {
		IndexUtil iu = new IndexUtil();
		System.out.println(iu.tikaTool(new File("F:\\文档资料\\初级SQL开发指南.doc")));
	}
}

工程路径:http://download.csdn.net/detail/wxwzy738/5328383


更多 0
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值