【Tika基础教程之一】Tika基础教程

一、快速入门

1、Tika是一个用于文本解释的框架，其本身并不提供任何的库用于解释文本，而是调用各种各样的库，如POI，PDFBox等。

使用Tika，可以提取文件中的作者、标题、创建时间、正文等内容，相比于java.io自带的一些功能（如FileInputStream,FIleReader,Scanner等）：

（1）若文档为纯文本，如txt，html，java文件等，则二者对于文件内容的提取基本无差别，都可将内容呈现出来。

（2）若文档为富文本，如office，pdf等，使用java.io直接读取内容会得到一串乱码，而需要通过种种工具去提取正文内容，如PDFBox提取PDF文件，POI提取office文件等。

TIka已将各种工具作了统一封装，形成统一的API，用于提取文本正文。

但注意：解释文本

上述步骤只是将正文内容提取了出来，如将word文档、Html文档等的正文提取出来，但未对文档正文的内容进行解释，此时需要用到其它的工具如：

（1）DOM4J用于提取XML正文中的内容，如某个元素或者属性的值。

（2）HtmlPaser用于提取HTML正文中的内容，也是提取无素或者属性的值，比如提取文中的超链接等。

Tika是否已经完成此功能的封装还不确认，以后再研究。

2、使用GUI界面解释文本

（1）进入Tika所有的目录，运行以下命令：

java -jar "tika-app-1.5 (1).jar" -g

（2）Tika的图形界面被打开，然后找开File-openURL：

（3）点击确认后，即返回解释结果

默认情况下显示的是文本的元信息

（4）可以通过view菜单中的选项，分别查看 metadata, formatted text, plain text, main content, stuctured text等信息。

3、调用API解释文件

package com.ljh.test;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStream;

import org.apache.tika.exception.TikaException;
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 org.xml.sax.SAXException;

public class TikaBasicUtil {
	
	public String fileToTxt(File f) {
		//1、创建一个parser
		Parser parser = new AutoDetectParser();
		InputStream is = null;
		try {
			Metadata metadata = new Metadata();
			metadata.set(Metadata.RESOURCE_NAME_KEY, f.getName());
			is = new FileInputStream(f);
			ContentHandler handler = new BodyContentHandler();
			ParseContext context = new ParseContext();
			context.set(Parser.class,parser);
			//2、执行parser的parse()方法。
			parser.parse(is,handler, metadata,context);
			for(String name:metadata.names()) {
				System.out.println(name+":"+metadata.get(name));
			}
			return handler.toString();
		} catch (FileNotFoundException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		} catch (SAXException e) {
			e.printStackTrace();
		} catch (TikaException e) {
			e.printStackTrace();
		} finally {
			try {
				if(is!=null) is.close();
			} catch (IOException e) {
				e.printStackTrace();
			}
		}
		return null;
	}

}

测试程序如下：

package com.ljh.test;

import java.io.File;

import org.junit.Test;

public class TikaBasicUtilTest {

	@Test
	public void test() {
		TikaBasicUtil tbu = new TikaBasicUtil();
		System.out.println(tbu.fileToTxt(new File("D:/G组-C罗压哨助攻扳平 葡萄牙2-2美国保晋级希望.docx")));
	}

}

输出结果如下：

cp:revision:3
meta:last-author:lujinhong
Last-Author:lujinhong
meta:save-date:2014-06-23T04:24:00Z
Application-Name:Microsoft Office Word
dcterms:created:2014-06-23T04:23:00Z
Author:lujinhong
Application-Version:15.0000
Character-Count-With-Spaces:1188
date:2014-06-23T04:24:00Z
Total-Time:1
extended-properties:Template:Normal.dotm
meta:line-count:8
creator:lujinhong
publisher:
Word-Count:177
meta:paragraph-count:2
Creation-Date:2014-06-23T04:23:00Z
extended-properties:AppVersion:15.0000
meta:author:lujinhong
Line-Count:8
extended-properties:Application:Microsoft Office Word
resourceName:G组-C罗压哨助攻扳平 葡萄牙2-2美国保晋级希望.docx
Paragraph-Count:2
Last-Save-Date:2014-06-23T04:24:00Z
Revision-Number:3
meta:creation-date:2014-06-23T04:23:00Z
dcterms:modified:2014-06-23T04:24:00Z
Template:Normal.dotm
Page-Count:1
meta:character-count:1013
dc:creator:lujinhong
meta:word-count:177
Last-Modified:2014-06-23T04:24:00Z
extended-properties:Company:
modified:2014-06-23T04:24:00Z
xmpTPg:NPages:1
extended-properties:TotalTime:1
dc:publisher:
Character Count:1013
meta:page-count:1
meta:character-count-with-spaces:1188
Content-Type:application/vnd.openxmlformats-officedocument.wordprocessingml.document
上半时美国队开球。第5分钟，葡萄牙队率先进球，维罗索左路45度把球吊入禁区，美国后卫卡梅伦解围失误，纳尼在远门柱附近右脚抽射球门上角建功，葡萄牙1-0美国。
第9分钟，邓普西突破被断，无队友接应。第11分钟，美国长传反击，科斯塔头球解围。第12分钟，阿尔维斯铲倒约翰逊，美国队获得禁区前任意球，邓普西主罚大力攻门，球擦着横梁高出。第16分钟，葡萄牙中锋波斯蒂加受伤，被埃德换下。第18分钟，美国右路传中，邓普西禁区左肋抽射打高。
第24分钟，美国队后场断球反击，布拉德利禁区前抽射，球擦着横梁高出。第27分钟，祖西传球，邓普西禁区右肋抽射，科斯塔堵枪眼。1分钟后，布拉德利远射稍偏。第32分钟，美国反击，约翰逊远射打偏。第34分钟，维罗索远射打在后卫身上，C罗拿球被吹越位。
第35分钟，C罗远射被霍华德扑住。第40分钟，琼斯受伤，主裁判吹停比赛，进入喝水时间。第42分钟，葡萄牙反击，C罗分球，纳尼右路远射被扑出。第43分钟，葡萄牙获得禁区前任意球，C罗主罚打高。第45分钟，纳尼远射打中立柱，埃德补射被霍华德用指尖挡出。上半时结束，葡萄牙1-0美国。
下半时易边，葡萄牙队用卡瓦略换下阿尔梅达。第48分钟，卡梅伦解围打在队友被贝斯勒身上，埃德抢射打高。第55分钟，美国队错失良机，约翰逊右路下底传中，布拉德利5码处推射，科斯塔门线堵枪眼。第62分钟，葡萄牙反击，C罗禁区右肋射门打偏。
第64分钟，美国队扳平比分，角球罚出被后卫解围出禁区，琼斯外围拿球横向闪过纳尼，右脚大力抽射，球飞进球门死角，葡萄牙1-1美国。
第66分钟，葡萄牙反击，纳尼右路传中，远端梅雷莱斯抽射被门将扑出。第68分钟，葡萄牙用完第三个换人名额，瓦雷拉换下梅雷莱斯。第74分钟，纳尼突入禁区摔倒，裁判没有吹罚点球。1分钟后，琼斯滑铲放倒穆蒂尼奥，吃到黄牌。第80分钟，纳尼右路禁区前横切远射打高。
第81分钟，美国队反超比分！琼斯中路分球，叶德林右路下底传中，布拉德利12码处推射打在后卫身上，祖西左路拿球传中，邓普西用胸口把球撞进空门，美国2-1葡萄牙。
第86分钟，维罗索直塞，C罗在越位位置完成射门。葡萄牙右路起球，C罗头球攻门顶偏。第93分钟，葡萄牙左路起球，C罗头球顶偏。第95分钟，C罗右路传中，瓦雷拉头冲顶破门，2-2！全场结束，美国2-2葡萄牙。
葡萄牙（433）：22-贝托/21-佩雷拉、2-阿尔维斯、13-科斯塔、19-A-阿尔梅达（46'卡瓦略）/8-穆蒂尼奥、4-维罗索、16-梅雷莱斯（68'瓦雷拉）/17-纳尼、23-波斯蒂加（16'埃德）、7-C罗
美国（4231）：1-霍华德/7-比斯利、5-贝斯勒、20-卡梅伦、23-F-约翰逊/15-贝克曼、13-琼斯/19-祖西（91'冈萨雷斯）、11-贝多亚（72'叶德林）、4-布拉德利/8-邓普西（87'沃多洛斯基）