快捷導(dǎo)航

Springboot集成Tika實(shí)現(xiàn)文檔解析

更新時(shí)間：2024年11月26日 10:18:20 作者：有一只柴犬

Tika是一款A(yù)pache開源的,跨平臺,支持多品種文本類型的內(nèi)容檢測和提取工具,本文將介紹Springboot如何集成Tika實(shí)現(xiàn)文檔解析,需要的可以參考下

1、什么是Tika

Tika是一款A(yù)pache開源的，跨平臺，支持多品種文本類型的內(nèi)容檢測和提取工具。Apache官方的介紹如下：Apache Tika™ 工具包可檢測并提取一千多種不同文件類型（如 PPT、XLS 和 PDF）中的元數(shù)據(jù)和文本。所有這些文件類型都可以通過一個(gè)界面進(jìn)行解析，這使得 Tika 可用于搜索引擎索引、內(nèi)容分析、翻譯等。

2、基本特性

跨平臺：Tika 可以在多種操作系統(tǒng)上運(yùn)行，包括 Windows、Linux 和 Mac OS。

支持多種格式：Tika 支持多種文件格式，包括常見的文檔、圖片、音頻和視頻格式。

可擴(kuò)展性：Tika 的設(shè)計(jì)是模塊化的，允許開發(fā)者添加新的解析器來支持新的文件格式。

安全性：Tika 提供了防止文件注入攻擊的機(jī)制，確保在處理用戶上傳的文件時(shí)保持安全性。

3、Tika可視化提取

Tika提供了可視化界面工具，可以直接通過可視化工具手動(dòng)提取我們想要的文本內(nèi)容?？梢暬ぞ咝枰螺dtika-app.jar包，下載后，直接執(zhí)行java -jar tika-app-2.9.2.jar，即可喚起程序主頁面：

打開我們需要提取的文本，點(diǎn)擊view -> 即可提取我們想要的格式。

4、Springboot集成

4.1、maven依賴

<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>
        <!-- 檢測 HTML 文件的字符編碼，它會根據(jù) HTML 元素（如 <meta> 標(biāo)簽）中的聲明來判斷編碼。 -->
        <encodingDetector class="org.apache.tika.parser.html.HtmlEncodingDetector">
            <params>
                <!-- 讀取的最大字節(jié)數(shù)（這里是 64,000 字節(jié)）用于判斷編碼 -->
                <param name="markLimit" type="int">64000</param>
            </params>
        </encodingDetector>
        <!-- Tika 的通用編碼檢測器 -->
        <encodingDetector class="org.apache.tika.parser.txt.UniversalEncodingDetector">
            <params>
                <param name="markLimit" type="int">64000</param>
            </params>
        </encodingDetector>
        <!-- 基于 ICU4J 庫的編碼檢測器。ICU4J 是一個(gè)強(qiáng)大的國際化庫，能夠更準(zhǔn)確地檢測多語言文本的編碼。 -->
        <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類

@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、測試類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開發(fā)手冊（黃山版）.pdf"));
    }
 
}

運(yùn)行結(jié)果：