实验对象：Apache Tika

实验目的：通过尝试使用Apache Tika进行文件格式转换，加深对搜索引擎的理解和认识

---

目录

1. Apache Tika简介
2. 配置Apache Tika运行环境
3. 用GUI图形界面进行文件格式转换的尝试
4. 用命令行使用Tika
5. 在java工程中使用Tika

1. Apache Tika 简介

是一个用java编写的内容检测和分析框架，是 的 项目的子项目。它能够检测很多不同文件类型的文件，并提取文件的元数据和结构化文本。它提供了一个命令行界面和一个GUI界面，还提供一个java库。可用于 过程中文本内容的抽取，以及 进行数据抓取后的处理步骤。

Tika 架构

Tika 体系结构的四个模块

• 语言检测机制
• MIME检测机制
• Parser接口
• Tika Facade类

Tika主要功能

• 文档类型检测
• 内容提取
• 元数据提取
• 语言检测

2. 配置Apache Tika运行环境

验证java环境

如果没有配置java环境，请 并 下载Tika的源代码 和Tika的jar包

在cmd里键入命令打开GUI图形界面

3. 用GUI图形界面进行文件格式转换的尝试

编写一个二进制文件tika_test.txt放在C:\目录下

把tika_test.txt拖进gui里，默认显示提取的元数据

解析成Formatted Text

解析成Plain text

提取Main content 居然是空的 解析成XML

解析成json

4. 用命令行使用Tika

先来查看Tika命令行的基本参数

用命令把doc解析为text

5. 在java工程中使用Tika

在Eclipse中新建Java项目，并导入tika-app-1.14.jar

编写Test.java

import org.apache.tika.Tika;import java.io.*;/** * Created by Administrator on 2017/5/15. */public class Test {    public static void main(String[] args) throws Exception{        //二进制文件路径        String fileName="c:/tika_test.txt";        //二进制文件        File file1 = new File(fileName);        //通过tika获取文件内容        Tika tika = new Tika();        String filecontent = tika.parseToString(file1);        //打印文件内容        System.out.println("Extracted Content: " + filecontent);        try{            //要转换到的文件            File file =new File("c:/ddd.doc");            //文件不存在就新建            if(!file.exists()){                file.createNewFile();            }            //把二进制文件内容写入doc文件            FileWriter fw = new FileWriter(file.getAbsoluteFile());            BufferedWriter bw = new BufferedWriter(fw);            bw.write(filecontent);            bw.close();            System.out.println("Done");        }catch(IOException e){            e.printStackTrace();        }    }}

运行程序

生成ddd.doc,如下图

参考链接：

相关链接：