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。它选择合适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 门面类的 parseToString() 方法。下面显示了解析过程涉及的步骤，这些步骤由 Tika ParsertoString() 方法抽象出来。

抽象解析过程 -

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

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

• 然后将文档传递给选择的解析器，该解析器将解析内容，提取文本，并对不可读格式抛出异常。

使用 Tika 进行内容提取

下面是使用 Tika 门面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 -

javac TikaExtraction.java 
java TikaExtraction

下面是 sample.txt 的内容。

Hi students welcome to tutorialspoint

它给你以下输出 -

Extracted Content: Hi students welcome to tutorialspoint

使用 Parser 接口进行内容提取

Tika 的 parser 包提供了几个接口和类，使用这些接口和类我们可以解析文本文档。下面是 **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，分别解析各个文档。所有这些类都实现了解析器接口。

CompositeParser

给定的图表显示了 Tika 的通用解析器类：**CompositeParser** 和 **AutoDetectParser**。由于 CompositeParser 类遵循组合设计模式，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。

AutoDetectParser

这是 CompositeParser 的子类，它提供自动类型检测。使用此功能，AutoDetectParser 使用组合方法自动将传入的文档发送到相应的解析器类。

parse() 方法

除了 parseToString() 之外，您还可以使用 parser 接口的 parse() 方法。此方法的原型如下所示。

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

下表列出了它作为参数接受的四个对象。

示例

下面是一个示例，演示了如何使用 parse() 方法。

**步骤 1** -

要使用 parser 接口的 parse() 方法，请实例化任何为该接口提供实现的类。

有单独的解析器类，如 PDFParser、OfficeParser、XMLParser 等。您可以使用任何这些单独的文档解析器。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** -

创建处理程序类对象。下面列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，因此请实例化 BodyContentHandler，如下所示 -

BodyContentHandler handler = new BodyContentHandler( );

**步骤 3** -

创建 Metadata 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。

FileInputstream

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

**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在于它们不支持随机访问读取，而这对于有效地处理某些文件格式是必需的。为了解决此问题，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 parse 方法，并传递所有必需的对象，如下面的原型所示 -

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

下面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 -

javac  ParserExtraction.java 
java  ParserExtraction

下面是 sample.txt 的内容

Hi students welcome to tutorialspoint

如果执行上述程序，它将为您提供以下输出 -

File content : Hi students welcome to tutorialspoint