【Java】【文件内容抽取】【Apache-TiKa-Utils】的简单实用，乱码、docx文本重复相关问题的处理

如题：

项目偶尔会遇到抽取各种文件文本内容的需求，这时候就用使用到Apache的Tika。

这玩意是什么，能看到这篇文章的应该知道，文件内容抽取嘛！

话不多说，gradle的依赖，日志、判空的按个人喜好，就不列了：

    //apache tika-文本抽取
    compile group: 'org.apache.tika', name: 'tika-parsers', version: '1.24.1'

注意：这里我们用使用新版本的依赖，推荐1.24.1，如果使用旧版依赖，就可能会出现抽取文件内容出现乱码的情况。

代码：

package cn.ayl.util;

import org.apache.poi.ooxml.POIXMLDocument;
import org.apache.poi.openxml4j.exceptions.OpenXML4JException;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;
import org.apache.xmlbeans.XmlException;

import java.io.File;
import java.io.IOException;
import java.util.HashMap;
import java.util.Map;

/**
 * created by Rock-Ayl on 2020-11-5
 * apache tika Utils 文件内容识别、抽取工具
 */
public class TikaUtils {

    //存储着需要特殊处理的文件真实类型
    public static Map<String, String> TiKaFileRealTypeMaps = new HashMap<>();

    //初始化需要做特殊处理的文件真实类型
    static {
        //docx的类型码,因为docx处理出现重复文本,故而特殊处理
        TiKaFileRealTypeMaps.put("application/vnd.openxmlformats-officedocument.wordprocessingml.document", "docx");
    }

    /**
     * 抽取文件文本内容
     *
     * @param file 文件对象
     * @return
     * @throws IOException
     * @throws TikaException
     */
    public static String getContext(File file) throws IOException, TikaException, OpenXML4JException, XmlException {
        //创建一个tika
        Tika tika = new Tika();
        //文件真实类型
        String fileRealExt = TiKaFileRealTypeMaps.get(tika.detect(file));
        //判空
        if (fileRealExt != null) {
            //根据文件真实类型做处理
            switch (fileRealExt) {
                //docx由于重复、乱码问题,需要这么做
                case "docx":
                    ///抽取并返回
                    return new XWPFWordExtractor(POIXMLDocument.openPackage(file.getPath())).getText();
            }
        }
        //默认抽取并返回
        return new Tika().parseToString(file);
    }

}  

完毕。