Lucene学习之Tika提取文本信息

目前较新版的Tika(我用的是0.9)都是用Maven构建的。所以学习使用Tika最好的就是直接用Maven了，但是以我的经验，要想完整的了解Maven，并且能够编译好项目，把该依赖的包什么的全部导入，估计要花天把时间。可能有些人Maven都没听过(两个月前的我就是)，那几更要花点精力了。

个人建议对Maven不熟悉的还是直接引用jar包。

首先搭建环境：

方式一：通过Maven，使用Eclipse会更方便

方式二：直接引用jar包，官网上有tika-app-0.9.jar 可以直接导入到classpath中或者导入到Eclipse工程中

然后给个例子就明白了

例子中的main函数是现实当前tika中可以解析那些格式的文件，也就是包含那些解析器parser。第二个函数给出了如何解析某种格式文件的过程。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

import java.io.BufferedInputStream; import java.io.BufferedOutputStream; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.InputStream; import java.io.OutputStream; import java.util.Iterator; import java.util.Set; import org.apache.tika.config.TikaConfig; import org.apache.tika.metadata.Metadata; import org.apache.tika.mime.MediaType; import org.apache.tika.parser.ParseContext; import org.apache.tika.parser.Parser; import org.apache.tika.parser.pdf.PDFParser; import org.apache.tika.sax.BodyContentHandler; import org.xml.sax.ContentHandler; public class ShowParser {     public static void main(String[] args)     {         TikaConfig config = TikaConfig.getDefaultConfig();           Set<MediaType>  set= config.getParsers().keySet();         Iterator<MediaType> it = set.iterator();         System.out.println( "Mime type parsers:" );         while (it.hasNext()) {           System.out.println( "  " + it.next());         }     }          public static void testTiki() throws Exception     {         String PATH = "d:\\tempfile\\Maximum Entropy Markov Models for Information Extraction and Segmentation.pdf" ;         String OUTPATH = PATH + ".txt" ;          //      Parser parser = new OOXMLParser();//解析微软格式文档 //      Parser parser = new HtmlParser();//解析html文档         Parser parser = new PDFParser(); //解析PDF文档                  InputStream iStream = new BufferedInputStream( new FileInputStream( new File(PATH))); //定义输入流       //      OutputStream oStream = new BufferedOutputStream(new FileOutputStream(new File(OUTPATH)));//定义输出流                  //下面定义内容处理器         //ContentHandler iHandler = new BodyContentHandler(oStream);         //ContentHandler iHandler = new BodyContentHandler(System.out);              ContentHandler iHandler = new BodyContentHandler();

?

1 2 3 4 5 6 7 8

Metadata meta = new Metadata();         meta.add(Metadata.CONTENT_ENCODING, "utf-8" );         parser.parse(iStream, iHandler, meta, new ParseContext()); //解析                  //输出解析结果，如果采用输出流的方式就直接在输出流中获得解析结果         System.out.println(iHandler.toString());     } }