SpringBoot和Apache tika 实现各种文档内容解析

一、概述

Apache tika是Apache开源的一个文档解析工具。Apache Tika可以解析和提取一千多种不同的文件类型(如PPT、XLS和PDF)的内容和格式,并且Apache Tika提供了多种使用方式,既可以使用图形化操作页面(tika-app),又可以独立部署(tika-server)通过接口调用,还可以引入到项目中使用。

二、在spring boot 中引入tika的方式解析文档

1. 引入依赖

  <dependencyManagement>
    <dependencies>
      <dependency>
        <groupId>org.apache.tika</groupId>
        <artifactId>tika-bom</artifactId>
        <version>2.8.0</version>
        <type>pom</type>
        <scope>import</scope>
      </dependency>
    </dependencies>
  </dependencyManagement>

    <dependency>
      <groupId>org.apache.tika</groupId>
      <artifactId>tika-core</artifactId>
    </dependency>
    <dependency>
      <groupId>org.apache.tika</groupId>
      <artifactId>tika-parsers-standard-package</artifactId>
    </dependency>

2.创建配置

将tika-config.xml文件放在resources目录下。tika-config.xml文件的内容如下:

<?xml version="1.0" encoding="UTF-8"?>
<properties>
    <encodingDetectors>
        <encodingDetector class="org.apache.tika.parser.html.HtmlEncodingDetector">
            <params>
                <param name="markLimit" type="int">64000</param>
            </params>
        </encodingDetector>
        <encodingDetector class="org.apache.tika.parser.txt.UniversalEncodingDetector">
            <params>
                <param name="markLimit" type="int">64001</param>
            </params>
        </encodingDetector>
        <encodingDetector class="org.apache.tika.parser.txt.Icu4jEncodingDetector">
            <params>
                <param name="markLimit" type="int">64002</param>
            </params>
        </encodingDetector>
    </encodingDetectors>
</properties>

创建配置类MyTikaConfig

import java.io.IOException;
import java.io.InputStream;
import org.apache.tika.Tika;
import org.apache.tika.config.TikaConfig;
import org.apache.tika.detect.Detector;
import org.apache.tika.exception.TikaException;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.Parser;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import org.springframework.core.io.Resource;
import org.springframework.core.io.ResourceLoader;
import org.xml.sax.SAXException;

/**
 * tika配置类
 */
@Configuration
public class MyTikaConfig {

    @Autowired
    private ResourceLoader resourceLoader;

    @Bean
    public Tika tika() throws TikaException, IOException, SAXException {

        Resource resource = resourceLoader.getResource("classpath:tika-config.xml");
        InputStream inputStream = resource.getInputStream();

        TikaConfig config = new TikaConfig(inputStream);
        Detector detector = config.getDetector();
        Parser autoDetectParser = new AutoDetectParser(config);

        return new Tika(detector, autoDetectParser);
    }
}

Tika类中提供了文芳detect、translate和parse功能, 在项目中通过注入TIka, 就可以使用了

3.在项目使用

配置完成后在项目中可以通过注入tika即可完成文档的解析。如下图所示:
在这里插入图片描述

相关推荐

  1. Apache tika 实现各种文档内容

    2024-03-13 23:42:01       34 阅读
  2. NestJs实现各种请求与参数

    2024-03-13 23:42:01       30 阅读
  3. Python HTML内容

    2024-03-13 23:42:01       52 阅读

最近更新

  1. docker php8.1+nginx base 镜像 dockerfile 配置

    2024-03-13 23:42:01       98 阅读
  2. Could not load dynamic library ‘cudart64_100.dll‘

    2024-03-13 23:42:01       106 阅读
  3. 在Django里面运行非项目文件

    2024-03-13 23:42:01       87 阅读
  4. Python语言-面向对象

    2024-03-13 23:42:01       96 阅读

热门阅读

  1. 【C语言学习路线】

    2024-03-13 23:42:01       43 阅读
  2. TypeScript之函数

    2024-03-13 23:42:01       39 阅读
  3. jetson orin nx重装Cuda加速的OpenCV4.5.4

    2024-03-13 23:42:01       46 阅读
  4. nodejs:npm i与npm i -S、npm i -D区别

    2024-03-13 23:42:01       39 阅读
  5. 知识图谱详细建立过程

    2024-03-13 23:42:01       41 阅读
  6. 320: 鸡兔同笼(python)

    2024-03-13 23:42:01       41 阅读
  7. HTML世界之标签Ⅱ

    2024-03-13 23:42:01       38 阅读
  8. 红帽认证知识储备-Linux安全

    2024-03-13 23:42:01       42 阅读