记：Lucene+Tika文档内容提取

  • Z时代
  • 2024-01-10
  • 分类：综合

编程

Tika是一个用于文件类型检测和文件内容提取的库，具有以下提点。

  • 统一解析接口。Tika所有第三方解析库被封装在一个单一的解析器中，由于这个特征，用户减少了根据不同文档类型选择合适的解析库的负担。

  • 低内存占用。因为统一的解析器接口，Tika消耗的内存资源更少，也很容易嵌入各种Java应用程序。

  • 快速处理。应用中内容检测和信息提取可以预期，处理速度快。

  • 灵活元数据。Tika理解所有用来描述文件的元数据模型。

  • 解析器集成。Tika可以使用单一应用程序中每个文件类型的各种解析器库。

  • MIME类型检测。Tika可以检测并从所有包括在MIME标准媒体类型中提取内容。

  • 语言检测。Tika包含语言识别功能，因此可以在一个多语种网站基于语言类型的文档中使用。

   public static void main(String[] args) throws IOException, TikaException, SAXException {
        //新建存放各种文件的file文件夹
        File files = new File("/Users/fxl/IdeaProjects/learning-pro/lucene/src/main/resources/doc");
        if (!files.exists()) {
            System.out.println("文件夹不存在，请检查！");
            System.exit(0);
        }
        File[] fileArr = files.listFiles();
        //方法一
//        Tika tika = new Tika();
//        String fileContent;
//        for (File f : fileArr) {
//            fileContent = tika.parseToString(f);
//            System.out.println("Extracted Content: " + fileContent);
//        }
        //方法二
        BodyContentHandler handler = new BodyContentHandler(10 * 1024 * 1024);
        //创建元数据
        Metadata metadata = new Metadata();
        FileInputStream fileInputStream;
        Parser parser = new AutoDetectParser();
        ParseContext parseContext = new ParseContext();
        for (File f : fileArr) {
            fileInputStream = new FileInputStream(f);
            parser.parse(fileInputStream, handler, metadata, parseContext);
            System.out.println(f.getName() + ":
" + handler.toString());
        }
    }

以上是 记：Lucene+Tika文档内容提取 的全部内容， 来源链接： utcz.com/z/515610.html

回到顶部