Tika 项目介绍

Tika是一个内容抽取的工具集合(a toolkit for text extracting)。它集成了POI, Pdfbox 并且为文本抽取工作提供了一个统一的界面。其次，Tika也提供了便利的扩展API，用来丰富其对第三方文件格式的支持。

在当前的0.2-SNAPSHOT版本中， Tika提供了对如下文件格式的支持:

PDF - 通过Pdfbox MS-* - 通过POI HTML - 使用nekohtml将不规范的html整理成为xhtml OpenOffice 格式 - Tika提供 Archive - zip, tar, gzip, bzip等 RTF - Tika提供 Java class - Class解析由ASM完成 Image - 只支持图像的元数据抽取 XML

Tika的API十分便捷，核心是Parser interface，其中定义了一个parse方法：
public void parse(InputStream stream, ContentHandler handler, Metadata metadata)
用stream参数传递需要解析的文件流， 文本内容会被传入handler，而元数据会更新至metadata。

可以使用Tika的ParserUtils工具来根据文件的mime-type来得到一个适当的Parser来进行解析工作。或者Tika还提供了一个AutoDetectParser根据不同的二进制文件的特殊格式 (比如说Magic Code)，来寻找适合的Parser。

?

我写一个解析word的例子：

package com.kongjob.test;import java.io.IOException;import java.io.InputStream;import org.apache.tika.exception.TikaException;import org.apache.tika.metadata.Metadata;import org.apache.tika.parser.microsoft.OfficeParser;import org.apache.tika.sax.BodyContentHandler;import org.xml.sax.ContentHandler;import org.xml.sax.SAXException;/** * Filename: TikaTest.java Description:   * @author: jason.he * @version: 1.0 Create at: Oct 14, 2009 2:38:22 PM *  * Modification History: Date Author Version Description * 2009 jason.he 1.0 1.0 Version */public class TikaTest {public static void main(String[] args){TikaTest tt = new TikaTest();tt.testWordParser();}public String testWordParser(){String result = "";InputStream input = TikaTest.class.getResourceAsStream("/testWORD.doc");try {ContentHandler handler = new BodyContentHandler();Metadata metadata = new Metadata();new OfficeParser().parse(input, handler, metadata);System.out.println(handler.toString());} catch (IOException e) {e.printStackTrace();} catch (SAXException e) {e.printStackTrace();} catch (TikaException e) {e.printStackTrace();} finally {try {input.close();} catch (IOException e) {e.printStackTrace();}}return result;}}

?

输出结果：

?

?

Sample Word DocumentThis is a sample Microsoft Word Document.

?

1 楼 hellostone 2009-10-17 很好的东西