【Python】 使用Apache Tika和Python实现zip、csv、xls等多格式文件文本内容提取

java -jar tika-server-x.x.jar

替换x.x为你下载的版本号。默认情况下，Tika服务器会监听9998端口。

docker安装方式

docker search apache/tika
docker run --name tika -d -p 0.0.0.0:9998:9998 apache/tika

安装Python Tika库

Python的Tika库封装了与Tika服务器交互的复杂性，使得在Python中使用Tika变得十分简单。通过以下命令安装：

pip install tika

提取文件内容

安装tika库并启动Tika服务器后，就可以编写Python代码来提取文件内容了。

示例：提取文档内容和元数据

from tika import parser
serverURL = 'http://127.0.0.1:9998'
filepath = 'path/to/your/test.txt'
parsed = parser.from_file(filepath,serverURL)
print("Text Content:\n", parsed["content"])
print("\nMetadata:", parsed["metadata"])

解压缩包并提取内容

除了提取单个文件的内容，Tika还能处理压缩文件，如ZIP或TAR包，使你能够访问包内的文件内容。以下示例演示如何处理压缩包：

from tika import unpack
archive_path = 'path/to/your/test.zip'
serverURL = 'http://127.0.0.1:9998'
parsed = unpack.from_f