tika

Tika是一个内容抽取的工具集合(a toolkit for text extracting)。利用Tika，我们可以获得文件的实际类型（https://blog.youkuaiyun.com/helihongzhizhuo/article/details/90404387 ）、文件的编码格式（https://blog.youkuaiyun.com/helihongzhizhuo/article/details/90401777）、字符串的语言、文件的文本内容。

在当前的2.0.0-SNAPSHOT版本中， 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)
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。

项目请见：

https://github.com/apache/tika

http://tika.apache.org/

http://tika.apache.org/download.html