对Apache tika的了解和使用

转载自：https://www.jianshu.com/p/bc333fdcd1d3

Apache Tika是基于java的内容检测和分析的工具包，可检测并提取来自上千种不同文件类型（如PPT，XLS和PDF）中的元数据和结构化文本。 它提供了命令行界面、GUI界面和一个java库。Tika可帮助搜索引擎抓取内容后的数据处理。

Tika的处理过程

内置解析器会在后台通过外部程序提供的API与之交互，并进行相应的文档内容信息和文档相关信息的解析处理，具体过程如下：

正如上图所展示的，Tika对文档内容信息的解析处理的流程如下：Tika通过MimeType（MIME是MIME(Multipurpose Internet Mail Extensions)多用途互联网邮件扩展类型。是设定某种扩展名的文件用一种应用程序来打开的方式类型）来实现对一个文档的具体识别工作，通过Language identifier来识别语言。根据MimeType和Language identifier的识别结果，选择调用具体的Parser来解析文档。而处理则由ContentHandler接口来完成。其中parser负责解析具体的文档，当解析到需要进行处理的时候，调用具体的信息处理类中的contentHandler进行解析内容的处理。解析、处理后得到的结果作为返回的值。

另外，关于文档的元信息会在处理的过程中被解析，并保存在Metadata对象中。比如一个文档的最后编辑时间，最后的保存时间，标题，作者以及contentType等。这些信息对于用一些关键信息进行文档检索非常有用。

环境配置

1. java jdk
2. 下载Tika的源代码Mirrors for tika-1.14-src.zip和Tika的jar包Mirrors for tika-app-1.14.jar

尝试使用GUI图形界面进行文件格式转换

1. 在命令行中输入Java -jar C:\jar\tika-app-1.18.jar --gui，调出gui图形界面。

2. 新建待分析文本tika_text.txt：

解析为metadata：
应用举例：某书籍的内容

plain text：

structured text：

recursive JSON：

其他tika的使用途径

1. 命令行使用tika：
   除了用gui进行操作外，还可以在命令行界面中使用java -jar tika-app-1.15.jar --text .doc命令进行文本格式的转换，text为要转变的格式，.doc为你想要转变的文本的物理位置。

2. 在java工程中使用Tika：

在eclipse中新建项目并导入tika-app-1.14.jar，编写代码使用Tika facade 类从文件中提取文本：

import java.io.File;
import java.io.IOException;

import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;

import org.xml.sax.SAXException;

public class TikaExtraction {
    
   public static void main(final String[] args) throws IOException, TikaException {

      //Assume sample.txt is in your current directory              
      File file = new File("sample.txt");
      
      //Instantiating Tika facade class
      Tika tika = new Tika();
      String filecontent = tika.parseToString(file);
      System.out.println("Extracted Content: " + filecontent);
   }         
}

代码来源：https://www.yiibai.com/tika/tika_content_extraction.html