Apache Tika入门

1、基本介绍

Apache Tika（文本分析工具包）能够检测并提取来自上千种不同文件类型(如PPT、XLS和PDF)的元数据和文本；所有这些文件类型都可以通过一个接口进行解析，这使得Tika在搜索引擎索引、内容分析、翻译等方面非常有用。

2、Tika使用

介绍下Tika在Maven项目中的使用，首先介绍下Tika相关的两个Maven依赖：

 <dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>1.26</version>
 </dependency>
 <dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers</artifactId>
    <version>1.26</version>
 </dependency>

tika-core：包含Tika的关键接口和类，如果不需要来自Tika解析器组件的完整解析器集，可以单独使用。
tika-parsers：如果您想使用Tika来解析文档(而不是简单地检测文档类型等等)，需要引入该依赖。

2.1、解析器接口（The Parser interface）

Parser是tika的核心概念，它隐藏了不同文件格式和解析库的复杂性，为客户端程序提供了一个简单而强大的机制，用来从各种各样的文档中提取元数据和结构化文本内容，所有文档的解析使用一个接口来实现：

/**
*@param stream 所要解析文档的输入流
*@param handler 内容处理器，用来收集结果，Tika会将解析结果包装成XHTML SAX event进行分发，通过ContentHandler处理这些event就可以得到文本内容和其他有用的信息
*@param metadata 用于向解析器内外传递文档元数据。
*@param context 解析上下文有两个功能
* 1）向解析过程注入特定上下文，例如：在Microsoft Excel电子表格中处理特定地区的日期和数字格式
* 2）将委托解析器实例传递给两阶段解析器(如PackageParser子类)使用
**/
void parse(InputStream stream, ContentHandler handler, Metadata metadata,
    ParseContext context) throws IOException, SAXException, TikaException;

在所有的解析器类中有一个典型类：AutoDetectParser，将所有Tika功能封装到一个可以处理任何类型文档的解析器中；默认使用的就是该解析器。

2.1.1、自定义Parser类

在Tika工具包中，有一个与MIME-Types有关的配置文件：custom-mimetypes.xml 但是如果要对一个全新的MIME-Type文件进行解析，则可以自定义解析器，步骤如下：

• 自定义一个文件org/apache/tika/mime/custom-mimetypes.xml，文件格式如下，以application/hello为例来介绍：

 <?xml version="1.0" encoding="UTF-8"?>
 <mime-info>
   <mime-type type="application/hello">
          <glob pattern="*.hi"/>
   </mime-type>
 </mime-info>

• 定义一个解析器类，该类可以实现Parser接口，也可以去继承抽象类AbstractParser，一般建议继承抽象类，实现如下：

public class HelloParser extends AbstractParser {
   private static final Set<MediaType> SUPPORTED_TYPES = Collections.singleton(MediaType.application("hello"));
   public static final String HELLO_MIME_TYPE = "application/hello";
   public Set<MediaType> getSupportedTypes(ParseContext context) {
        return SUPPORTED_TYPES;
   }
   public void parse(InputStream stream, ContentHandler handler,
                     Metadata metadata, ParseContext context)
                     throws IOException, SAXException, TikaException {
       metadata.set(Metadata.CONTENT_TYPE, HELLO_MIME_TYPE);
       metadata.set("Hello", "World");
       XHTMLContentHandler xhtml = new XHTMLContentHandler(handler, metadata);
       xhtml.startDocument();
       xhtml.endDocument();
  }
}

如果想要使用AutoDetectParser类的功能时，可以将自定义的parser，添加到org.apache.tika.parser.Parser文件中，在项目/src/main/resources 下添加META-INF/services/org.apache.tika.parser.Parser 文件，然后把自定义的parse包名配置上即可，可以参考：org.apache.tika.parser.Parser配置举例

2.2、检测器接口

检测器接口是是实现文本检测的基础，该接口的方法如下：

/**
*@param input 要检测文档的输入流
*@param metadata 文档元数据信息，该元数据信息通常需要包含两个关键值：
* 1）RESOURCE_NAME_KEY，它应该包含文件的名称(已知的)，以及元数据；
* 2）CONTENT_TYPE，它应该包含该文件发布的内容类型(例如来自web服务器或内容存储库)。
**/
MediaType detect(java.io.InputStream input,Metadata metadata) throws java.io.IOException

Tika提供了一个特殊的检测器org.apache.tika.detect.DefaultDetector，它在运行时自动检测(基于服务文件)可用的检测器，并依次尝试这些检测器来识别文件类型；默认使用该注册器。

2.3、Tika配置

在使用时，可以使用Tika的配置xml文件实现Tika的配置，从而控制哪些类型的文件，使用哪些类型的解析器等等，具体的可配置项可以参考：Tika配置 ，这里举一个配置文件的例子：

<?xml version="1.0" encoding="UTF-8"?>
<properties>
  <parsers>
    <!-- Default Parser for most things, except for 2 mime types, and never
         use the Executable Parser -->
    <parser class="org.apache.tika.parser.DefaultParser">
      <mime-exclude>image/jpeg</mime-exclude>
      <mime-exclude>application/pdf</mime-exclude>
      <parser-exclude class="org.apache.tika.parser.executable.ExecutableParser"/>
    </parser>
    <!-- Use a different parser for PDF -->
    <parser class="org.apache.tika.parser.EmptyParser">
      <mime>application/pdf</mime>
    </parser>
  </parsers>
</properties>

接下来使用配置文件：

TikaConfig config = new TikaConfig("/path/to/tika-config.xml");
Detector detector = config.getDetector();
Parser autoDetectParser = new AutoDetectParser(config);

关于Tika更多的使用，可以参考官网使用举例：Tika使用举例