Tika是一个内容抽取的工具集合(a toolkit for text extracting)。它集成了, 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。 提示：主要tika-xx.jar,解析相应的文件必须有相应的jar.例如：excel文件必须用到poi-xx.jar
相关包下载地址
- package com.miracle.tools;
- import org.apache.tika.metadata.Metadata;
- import org.apache.tika.parser.AutoDetectParser;
- import org.apache.tika.parser.ParseContext;
- import org.apache.tika.parser.Parser;
- import org.apache.tika.sax.BodyContentHandler;
- import org.xml.sax.ContentHandler;
- import java.io.*;
- /**
- * Created with IntelliJ IDEA.
- * User: lianan
- * Date: 14-3-3
- * Time: 上午10:05
- * To change this template use File | Settings | File Templates.
- */
- public class TiKaUtil {
- public static String parseFile(File file){
- Parser parser = new AutoDetectParser();
- InputStream input = null;
- try{
- Metadata metadata = new Metadata();
- metadata.set(Metadata.CONTENT_ENCODING, "utf-8");
- metadata.set(Metadata.RESOURCE_NAME_KEY, file.getName());
- input = new FileInputStream(file);
- ContentHandler handler = new BodyContentHandler();//当文件大于100000时，new BodyContentHandler(1024*1024*10);
- ParseContext context = new ParseContext();
- context.set(Parser.class,parser);
- parser.parse(input,handler, metadata,context);
- for(String name:metadata.names()) {
- System.out.println(name+":"+metadata.get(name));
- }
- System.out.println(handler.toString());
- return handler.toString();
- }catch (Exception e){
- e.printStackTrace();
- }finally {
- try {
- if(input!=null)input.close();
- } catch (IOException e) {
- e.printStackTrace();
- }
- }
- return null;
- }
- public static void main(String argt0[])throws Exception{
- parseFile(new File("E:\\学习手册pdf\\HOST.txt"));
- }
- }
http://blog.csdn.net/an74520/article/details/20380739