Apache Tika 輕松實現各種文檔內容解析
作者：一安
Apache Tika可以解析和提取一千多種不同的文件類型(如PPT、XLS和PDF)的內容和格式，并且Apache Tika提供了多種使用方式，既可以使用圖形化操作頁面（tika-app），又可以獨立部署（tika-server）通過接口調用，還可以引入到項目中使用。
Apache tika是Apache開源的一個文檔解析工具。Apache Tika可以解析和提取一千多種不同的文件類型(如PPT、XLS和PDF)的內容和格式，并且Apache Tika提供了多種使用方式，既可以使用圖形化操作頁面（tika-app），又可以獨立部署（tika-server）通過接口調用，還可以引入到項目中使用。
本文演示在spring boot 中引入tika的方式解析文檔。如下：
引入依賴
在spring boot 項目中引入如下依賴:
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-bom</artifactId>
<version>2.8.0</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-core</artifactId>
</dependency>
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-parsers-standard-package</artifactId>
</dependency>創建配置
將tika-config.xml文件放在resources目錄下。tika-config.xml文件的內容如下：
<?xml version="1.0" encoding="UTF-8"?>
<properties>
<encodingDetectors>
<encodingDetector class="org.apache.tika.parser.html.HtmlEncodingDetector">
<params>
<param name="markLimit" type="int">64000</param>
</params>
</encodingDetector>
<encodingDetector class="org.apache.tika.parser.txt.UniversalEncodingDetector">
<params>
<param name="markLimit" type="int">64001</param>
</params>
</encodingDetector>
<encodingDetector class="org.apache.tika.parser.txt.Icu4jEncodingDetector">
<params>
<param name="markLimit" type="int">64002</param>
</params>
</encodingDetector>
</encodingDetectors>
</properties>創建配置類MyTikaConfig
import java.io.IOException;
import java.io.InputStream;
import org.apache.tika.Tika;
import org.apache.tika.config.TikaConfig;
import org.apache.tika.detect.Detector;
import org.apache.tika.exception.TikaException;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.Parser;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.core.io.Resource;
import org.springframework.core.io.ResourceLoader;
import org.xml.sax.SAXException;
/**
* tika配置類
*/
@Configuration
public class MyTikaConfig {
@Autowired
private ResourceLoader resourceLoader;
@Bean
public Tika tika() throws TikaException, IOException, SAXException {
Resource resource = resourceLoader.getResource("classpath:tika-config.xml");
InputStream inputStream = resource.getInputStream();
TikaConfig config = new TikaConfig(inputStream);
Detector detector = config.getDetector();
Parser autoDetectParser = new AutoDetectParser(config);
return new Tika(detector, autoDetectParser);
}
}Tika類中提供了文芳detect、translate和parse功能， 在項目中通過注入TIka, 就可以使用了
在項目使用
配置完成后在項目中可以通過注入TIka即可完成文檔的解析。如下圖所示：
圖片
責任編輯：武曉燕
來源：
一安未來
