Apache Tika

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。

提取文件内容其实很简单 – Apache Tika 初探

 

Apache宣布几个新的顶级项目，其中有一个就是Tika，一个文件内容提取的工具包，他支持的格式很多(详细)：

    * HyperText Markup Language
    * XML and derived formats
    * Microsoft Office document formats
    * OpenDocument Format
    * Portable Document Format
    * Electronic Publication Format
    * Rich Text Format
    * Compression and packaging formats
    * Text formats
    * Audio formats
    * Image formats
    * Video formats
    * Java class files and archives
    * The mbox format

Tika整体代码设计非常优雅，通过Tika类目发布给用户，并将相关接口包装成简单的方法供大家调用。

 //优雅的Facade类包装了底层功能
 Tika tika = new Tika();//自动根据文件类型选择Parse类
 System.out.println(tika.parseToString(new URL("http://www.taobao.com")));	
 System.out.println(tika.parseToString(new File("TikaSample.class")));

基于Tika，我们可以快速提取各种类型的文件内容，整体设计模式可以快速加入新的Parse来扩展新的文件类型，同Lucene之类的结合以来可以快速 搭建多类型的文件搜索引擎。 

 

摘录： 

 

1. /** 
2.      * 解析各种类型文件 
3.      * @param 文件路径 
4.      * @return 文件内容字符串 
5.      */  
6.     public static String parse(String path) {  
7.         String result = "";  
8.         TikaConfig tikaConfig = TikaConfig.getDefaultConfig();  
9.         try {  
10.             result = ParseUtils.getStringContent(new File(path), tikaConfig);  
11.         }catch (Exception e) {  
12.             log.debug("[by ninja.hzw]" + e);  
13.         }  
14.         return result;  
15.     }