Apache Tika学习

一、Tika简介

Tika是Apache下开源的文档内容解析工具，支持多种文档格式（如PPT、XLS、PDF、DOCX、JSON……）。Tika带有全面的parser工具类，通过使用统一的方法能够对各种类型文件进行内容解析,封装了各种格式解析的内部实现，因此，Tika对于搜索引擎的数据抓去和处理步骤是有重要意义的。

三、Tika的架构

主要包含以下4个模块
•语言检测机制。
•MIME检测机制。
•Parser接口。
•Tika Facade 类

Tika架构（来源：https://www.yiibai.com/tika/tika_architecture.html）

二、Tika的功能

(来源：https://www.yiibai.com/tika/tika_architecture.html)

1.文档类型的检测

Tika使用不同的检测技术，检测给它的文件的类型。

2.内容提取

Tika有一个解析器库，可以分析各种文档格式的内容，并提取它们。然后检测所述文档的类型，它从解析器库选择的适当的分析器，并传递该文档。不同类别的Tika方法来解析不同的文件格式。

3.元数据提取

随着内容，Tika提取具有相同的程序的文件的元数据中的内容的提取。对于某些文件类型，Tika有接口类提取元数据。

4.语言检测

在内部，Tika如下像一个n-gram算法来检测所述内容的语言的给定文档中。Tika取决于类，如语言识别和Profiler的语言识别。

四、Tika可以解析的文件格式

Tika解析所支持的格式（部分） Tika能够检测到比上面列出的格式更广泛的格式，如果需要可以参看：http://tika.apache.org/1.18/formats.html#Full_list_of_Supported_Formats

五、使用Tika解析Microsoft Office中的DOCX格式

1.查看java的环境

在命令行中输入：

java -version

由于上学期做过项目，在电脑上已经对java的环境进行了配置，所以从结果可以看到时已经配置好了。
要是不会安装java环境的提供一个友情链接（同学出的一个教程）：JavaWeb的项目环境配置与软件安装（JDK+Tomcat+Eclipse+Mysql）

2.下载Tika的jar包

我们可以去http://tika.apache.org/download.html下载tika的jar包。
在这里我们选择下载Mirrors for tika-app-1.18.jar

3.jar包下载完成后设置环境变量

路径可以自行选择，这里我将jar包放入D:/Tika路径下

4.打开Tika的图形界面

在命令行中输入：

java -jar D:\Tika\tika-app-1.18.jar  #后面跟的是配置环境变量时设置的路径 

成功后就会出现Tika的图形界面

Tika的图形界面

5.开始进行文件解析

在解析之前需要先准备一个DOCX的文档，下面是我的文档里面的内容：

文档名为：tika_example.docx

现在在Tika的图形界面中打开它

可以看到解析出来的metadata（元数据）
tika_example.docx

当然，在View中也可以选择解析出其他形式的内容
Formatted text（格式化文本）

Formatted text
Plain text（纯文本）
Plain text
Structured txt（html形式的）
Structured txt
Recursive JSON（json形式的）
Recursive JSON
到这里，就使用tika就完成了我们的DOCX文档的解析。

六、使用Tika提供的API，利用java编程解析

1.这里我们使用一个集成环境——eclipse（下载eclipse）来创建编辑项目

新建java项目
填写项目名称和工作路径

2.接着导入我们之前下载的Tika的jar包：

（1）
（2）
（3）

点击添加外部的jar包，选择之前存放Tika的jar包的地址。

3.新建java项目，编辑

在src中右键新建一个Tika_test.java文件，完成后进行编辑
代码如下（代码参考来源：使用Apache Tika提取PDF文件内容）

import java.io.File;
import java.io.IOException;

import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;

import org.xml.sax.SAXException;

public class Tika_test {
    
   public static void main(final String[] args) throws IOException, TikaException {

      //选择要提取的文件                
      File file = new File("D:/信息组织与检索/tika_example.docx");
      
      //获取并打印文件内容
      Tika tika = new Tika();
      String filecontent = tika.parseToString(file);
      System.out.println("Extracted Content: " + "\n" + filecontent);
   }         
}

点击Run，运行结果如下：

结果展示

好啦，DOCX的解析就这样完成啦！