TIKA - 内容提取

---

Tika 使用各种解析器库从给定的解析器中提取内容。它选择正确的解析器来提取给定的文档类型。

对于解析文档，通常使用 Tika Facade 类的 parseToString() 方法。下面显示的是解析过程中涉及的步骤，这些步骤由 Tika ParsertoString() 方法抽象。

抽象解析过程 -

• 最初，当我们将文档传递给 Tika 时，它会使用可用的合适类型检测机制并检测文档类型。

• 一旦知道文档类型，它就会从解析器存储库中选择合适的解析器。解析器存储库包含使用外部库的类。

• 然后传递文档以选择解析器，该解析器将解析内容、提取文本，并针对不可读的格式抛出异常。

使用 Tika 进行内容提取

下面给出的是使用 Tika 外观类从文件中提取文本的程序 -

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

      //Assume sample.txt is in your current directory		        
      File file = new File("sample.txt");
      
      //Instantiating Tika facade class
      Tika tika = new Tika();
      String filecontent = tika.parseToString(file);
      System.out.println("Extracted Content: " + filecontent);
   }		 
}

将上述代码保存为 TikaExtraction.java 并从命令提示符运行它 -

javac TikaExtraction.java 
java TikaExtraction

下面给出的是sample.txt的内容。

Hi students welcome to tutorialspoint

它为您提供以下输出 -

Extracted Content: Hi students welcome to tutorialspoint

使用解析器接口进行内容提取

Tika 的解析器包提供了几个接口和类，我们可以使用它们解析文本文档。下面给出的是org.apache.tika.parser包的框图。

有几个可用的解析器类，例如pdf解析器、Mp3Passer、OfficeParser等，可以单独解析各个文档。所有这些类都实现了解析器接口。

复合解析器

给定的图表显示了 Tika 的通用解析器类：CompositeParser和AutoDetectParser。由于 CompositeParser 类遵循复合设计模式，因此您可以将一组解析器实例用作单个解析器。CompositeParser 类还允许访问所有实现解析器接口的类。

自动检测解析器

这是 CompositeParser 的子类，它提供自动类型检测。使用此功能，AutoDetectParser 使用复合方法自动将传入文档发送到适当的解析器类。

解析()方法

除了 parseToString() 之外，您还可以使用解析器接口的 parse() 方法。该方法的原型如下所示。

parse(InputStream stream, ContentHandler handler, Metadata metadata, ParseContext context)

下表列出了它接受作为参数的四个对象。

例子

下面给出的示例显示了如何使用 parse() 方法。

步骤 1 -

要使用解析器接口的 parse() 方法，请实例化提供此接口实现的任何类。

有单独的解析器类，例如 PDFParser、OfficeParser、XMLParser 等。您可以使用这些单独的文档解析器中的任何一个。或者，您可以使用 CompositeParser 或 AutoDetectParser，它们在内部使用所有解析器类并使用合适的解析器提取文档的内容。

Parser parser = new AutoDetectParser();
   (or)
Parser parser = new CompositeParser();  
   (or)        
object of any individual parsers given in Tika Library 

步骤 2 -

创建一个处理程序类对象。下面给出了三个内容处理程序 -

由于我们的目标是从文档中提取文本内容，因此实例化 BodyContentHandler 如下所示 -

BodyContentHandler handler = new BodyContentHandler( );

步骤 3 -

创建元数据对象，如下所示 -

Metadata metadata = new Metadata();

步骤 4 -

创建任何输入流对象，并将应提取的文件传递给它。

文件输入流

通过将文件路径作为参数传递来实例化文件对象，并将该对象传递给 FileInputStream 类构造函数。

注意- 传递给文件对象的路径不应包含空格。

这些输入流类的问题是它们不支持随机访问读取，而这是有效处理某些文件格式所必需的。为了解决这个问题，Tika 提供了 TikaInputStream。

File  file = new File(filepath)
FileInputStream inputstream = new FileInputStream(file);
   (or)
InputStream stream = TikaInputStream.get(new File(filename));

步骤 5 -

创建一个解析上下文对象，如下所示 -

ParseContext context =new ParseContext();

步骤 6 -

实例化解析器对象，调用解析方法，并传递所需的所有对象，如下面的原型所示 -

parser.parse(inputstream, handler, metadata, context);

下面给出的是使用解析器接口进行内容提取的程序 -

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

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.SAXException;

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

      //Assume sample.txt is in your current directory
      File file = new File("sample.txt");
      
      //parse method parameters
      Parser parser = new AutoDetectParser();
      BodyContentHandler handler = new BodyContentHandler();
      Metadata metadata = new Metadata();
      FileInputStream inputstream = new FileInputStream(file);
      ParseContext context = new ParseContext();
      
      //parsing the file
      parser.parse(inputstream, handler, metadata, context);
      System.out.println("File content : " + Handler.toString());
   }
}

将上述代码保存为 ParserExtraction.java 并从命令提示符运行它 -

javac  ParserExtraction.java 
java  ParserExtraction

下面给出的是sample.txt的内容

Hi students welcome to tutorialspoint

如果执行上面的程序，它将给出以下输出 -

File content : Hi students welcome to tutorialspoint