如何从word、excel、pdf等文件中提取文字（Tika）

Tika-内容分析工具包

官方网站：https://tika.apache.org/

在maven仓库下载最新版依赖 https://mvnrepository.com/artifact/org.apache.tika/tika-parsers

懒得去的同学，提供一个笔者正在使用的依赖

             
    
	  org.apache.tika
	  tika-parsers
	  1.18
    

---

提取url中的文字信息

public class TikaDemo {
    public static void main(String[] args) throws IOException, TikaException {
        Tika tika = new Tika();
        String s = tika.parseToString(new URL("https://www.baidu.com"));
        System.out.println(s);

    }
}

 输出结果：

---

提取word中的文字

public class TikaDemo {
    public static void main(String[] args) throws IOException, TikaException {
        Tika tika = new Tika();
        File file = new File("文档.docx");
        String s = tika.parseToString(file);
        System.out.println(s);
    }
}

输出结果：

---

提取excel中的文字

public class TikaDemo {
    public static void main(String[] args) throws IOException, TikaException {
        Tika tika = new Tika();
        File file = new File("工作簿.xlsx");
        String s = tika.parseToString(file);
        System.out.println(s);
    }
}

输出内容： 

---

提取pdf文件中的文字

public class TikaDemo {
    public static void main(String[] args) throws IOException, TikaException {
        Tika tika = new Tika();
        File file = new File("pdf文件.pdf");
        String s = tika.parseToString(file);
        System.out.println(s);
    }
}

输出结果：