目录
1、什么是Tika
Tika是一款Apache开源的，跨平台，支持多品种文本类型的内容检测和提取工具。Apache官方的介绍如下：Apache Tika™ 工具包可检测并提取一千多种不同文件类型（如 PPT、XLS 和 PDF）中的元数据和文本。所有这些文件类型都可以通过一个界面进行解析，这使得 Tika 可用于搜索引擎索引、内容分析、翻译等。
2、基本特性
跨平台：Tika 可以在多种操作系统上运行，包括 Windows、Linux 和 Mac OS。
支持多种格式：Tika 支持多种文件格式，包括常见的文档、图片、音频和视频格式。
可扩展性：Tika 的设计是模块化的，允许开发者添加新的解析器来支持新的文件格式。
安全性：Tika 提供了防止文件注入攻击的机制，确保在处理用户上传的文件时保持安全性。
3、Tika可视化提取
Tika提供了可视化界面工具，可以直接通过可视化工具手动提取我们想要的文本内容。可视化工具需要下载tika-app.jar包，下载后，直接执行java -jar tika-app-2.9.2.jar，即可唤起程序主页面：
打开我们需要提取的文本，点击view -> 即可提取我们想要的格式。
4、Springboot集成
4.1、maven依赖
<dependencies>
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-core</artifactId>
<version>2.9.2</version>
</dependency>
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-parsers-standard-package</artifactId>
<version>2.9.2</version>
</dependency>
</dependencies>4.2、Tika配置文件
tika-config.xml：
<?xml version="1.0" encoding="UTF-8"?>
<properties>
<encodingDetectors>
<!-- 检测 HTML 文件的字符编码，它会根据 HTML 元素（如 <meta> 标签）中的声明来判断编码。 -->
<encodingDetector class="org.apache.tika.parser.html.HtmlEncodingDetector">
<params>
<!-- 读取的最大字节数（这里是 64,000 字节）用于判断编码 -->
<param name="markLimit" type="int">64000</param>
</params>
</encodingDetector>
<!-- Tika 的通用编码检测器 -->
<encodingDetector class="org.apache.tika.parser.txt.UniversalEncodingDetector">
<params>
<param name="markLimit" type="int">64000</param>
</params>
</encodingDetector>
<!-- 基于 ICU4J 库的编码检测器。ICU4J 是一个强大的国际化库，能够更准确地检测多语言文本的编码。 -->
<encodingDetector class="org.apache.tika.parser.txt.Icu4jEncodingDetector">
<params>
<param name="markLimit" type="int">64000</param>
</params>
</encodingDetector>
</encodingDetectors>
</properties>4.3、注入tika bean
@Configuration
public class ApplicationTikaConfig {
@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);
}
}4.4、Service类
@Service
public class TikaParserService {
@Autowired
private Tika tika;
public void parser(Path srcPath) throws TikaException, IOException {
String result = tika.parseToString(srcPath);
System.out.println(result);
}
}4.5、测试类TikaParserDemoTest
@SpringBootTest(classes = Main.class)
@RunWith(SpringRunner.class)
public class TikaParserDemoTest {
@Autowired
private TikaParserService tikaParserService;
@Test
public void testTikaParser() throws TikaException, IOException {
tikaParserService.parser(Paths.get("F:", "Java开发手册（黄山版）.pdf"));
}
}运行结果：
具体代码已上传到git，需要的自取。地址：GitHub - Shamee99/springboot-modules