Tika基本使用

Tika是一个内容抽取的工具集合(a toolkit for text extracting)。它集成了POI, Pdfbox 并且为文本抽取工作提供了一个统一的界面。其次，Tika也提供了便利的扩展API，用来丰富其对第三方文件格式的支持。

Tika提供了对如下文件格式的支持:

PDF - 通过Pdfbox

MS-* - 通过POI
HTML - 使用nekohtml将不规范的html整理成为xhtml
OpenOffice 格式 - Tika提供
Archive - zip, tar, gzip, bzip等
RTF - Tika提供
Java class - Class解析由ASM完成
Image - 只支持图像的元数据抽取
XML

Tika的API十分便捷，核心是Parser interface，其中定义了一个parse方法：

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

用stream参数传递需要解析的文件流， 文本内容会被传入handler，而元数据会更新至metadata。
可以使用Tika的ParserUtils工具来根据文件的mime-type来得到一个适当的Parser来进行解析工作。或者Tika还提供了一个AutoDetectParser根据不同的二进制文件的特殊格式 (比如说Magic Code)，来寻找适合的Parser。

1、Parser接口

 void parse(InputStream stream, ContentHandler handler,Metadata metadata, ParseContext context)throws IOException, SAXException, TikaException；

  InputStream：文档输入原始 字节流。它不会在此方法中关闭InputStream。
    ParserContext： 解析处理的上下文。此参数用于用户需要定制解析过程时使用。如何控制？它内部一个Map,用Map保存接口(class)与其实例的所组 成的键值对。这些接口（class)只能是在Parser中用于解析文档的所需接口才会起作用。
    ContentHandler：XHTML SAX事件处理器。将输入文档的结构化信息以XHTML格式写入到此Handler。
    Metadata：文档元数据。既是输入参数，也是输出参数。作输入参数时，能够有助于解析器更好地理解文档的格式。

2、选择解析器Parser

 (1)确定只用一种文档格式（以Html格式为例）
        Parser parser = new HtmlParser();
        parser.parse(stream, handler, metadata, context);
 
(2)确定使用多种文档格式中的某一格式
Map<MediaType, Parser> parsersByType = new HashMap<MediaType, Parser>();
parsersByType.put(MediaType.parse("text/html"), new HtmlParser());
parsersByType.put(MediaType.parse("application/xml"), new XMLParser());
 
CompositeParser parser = new CompositeParser();    //Parser的集合
parser.setParsers(parsersByType);
parser.setFallback(new TXTParser());
 
Metadata metadata = new Metadata();
metadata.set(Metadata.CONTENT_TYPE, "text/html");
parser.parse(stream, handler, metadata, context);
 
(3)不确定文档格式
Parser parser = new AutoDetectParser();
parser.parse(stream, handler, metadata, context);

3、tika的两种使用方式

1）方式一

public String fileToTxt(File f) {
		Parser parser = new AutoDetectParser();
		InputStream is = null;
		try {
			Metadata metadata = new Metadata();
			metadata.set(Metadata.AUTHOR, "波帅");  //没有作用，因为被覆盖掉了
			metadata.set(Metadata.RESOURCE_NAME_KEY, f.getName());
			
			is = new FileInputStream(f);
			ContentHandler handler = new BodyContentHandler();
			
			ParseContext context = new ParseContext();
			context.set(Parser.class, parser);
			
			parser.parse(is, handler, metadata, context);
			
			for(String name : metadata.names()) {
				System.out.println(name+":"+metadata.get(name));
			}
			return handler.toString();
		} catch (FileNotFoundException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		} catch (SAXException e) {
			e.printStackTrace();
		} catch (TikaException e) {
			e.printStackTrace();
		} finally {
			if(is != null) {
				try {
					is.close();
				} catch (IOException e) {
					e.printStackTrace();
				}
			}
		}
		return null;
	}

2）方式二（效率没有方式一高）

public String tikaTool(File f) throws IOException, TikaException {
		Tika tika = new Tika();
		
		Metadata metadata = new Metadata();
		metadata.set(Metadata.AUTHOR, "波帅");  //没有作用，因为被覆盖掉了
		metadata.set(Metadata.RESOURCE_NAME_KEY, f.getName());
		
		
		String str = tika.parseToString(new FileInputStream(f), metadata);
		
		for(String name : metadata.names()) {
			System.out.println(name+":"+metadata.get(name));
		}
		//return tika.parseToString(f);
		return str;
	}

4、使用tika创建索引

Document doc = new Document();
		Metadata metadata = new Metadata();

		doc.add(new Field("content", new Tika().parse(
				new FileInputStream(file), metadata)));

参考资料：http://blog.youkuaiyun.com/gezhonglei2007/article/details/8078104