Tika 简明教程

TIKA - Content Extraction

Tika 使用各种解析器库从给定的解析器中提取内容。它选择合适的解析器来提取给定的文档类型。

对于解析文档，通常使用 Tika facade 类的 parseToString() 方法。下面显示了解析过程中的步骤，这些步骤由 Tika ParsertoString() 方法抽象出来。

抽象解析过程 -

最初，当我们将文档传递给 Tika 时，它使用可用的合适类型检测机制并检测文档类型。
一旦知道了文档类型，它就会从其解析器存储库中选择合适的解析器。解析器存储库包含使用外部库的类。
然后将文档传递给选择解析器的解析器，该解析器将解析内容、提取文本，并针对无法读取的格式抛出异常。

Content Extraction using Tika

下面给出了使用 Tika facade 类从文件中提取文本的程序 -

import java.io.File;
import java.io.IOException;

import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;

import org.xml.sax.SAXException;

public class TikaExtraction {

   public static void main(final String[] args) throws IOException, TikaException {

      //Assume sample.txt is in your current directory
      File file = new File("sample.txt");

      //Instantiating Tika facade class
      Tika tika = new Tika();
      String filecontent = tika.parseToString(file);
      System.out.println("Extracted Content: " + filecontent);
   }
}

将以上代码另存为 TikaExtraction.java，并从命令提示符处运行它 -

javac TikaExtraction.java
java TikaExtraction

下面给出了 sample.txt 的内容。

Hi students welcome to tutorialspoint

它给你以下输出 -

Extracted Content: Hi students welcome to tutorialspoint

Content Extraction using Parser Interface

Tika 的 parser 包提供了多个接口和类，我们可使用它们来解析文本文档。下面给出了 org.apache.tika.parser 包的框图。

有几个解析器类可用，例如，pdf 解析器、Mp3Passer、OfficeParser 等，可分别解析各自的文档。所有这些类都实现了解析器接口。

CompositeParser

给定的框图显示了 Tika 的通用解析器类： CompositeParser 和 AutoDetectParser 。由于 CompositeParser 类遵循复合设计模式，因此可以将一组解析器实例用作单个解析器。CompositeParser 类还允许访问实现解析器接口的所有类。

AutoDetectParser

这是 CompositeParser 的子类，它提供自动类型检测。使用此功能，AutoDetectParser 使用复合方法自动将传入文档发送到适当的解析器类。

parse() method

除了 parseToString()，还可以使用解析器接口的 parse() 方法。此方法的原型如下所示。

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

下表列出了它接受为参数的四个对象。

Sr.No.	Object & Description
1	InputStream stream 包含文件内容的任何 Inputstream 对象
2	ContentHandler handler Tika 通过 SAX API 将文档作为 XHTML 内容传给此处理程序，然后使用 SAX API 处理文档。它可以有效地对文档中的内容进行后期处理。
3	Metadata metadata 元数据对象用作文档元数据的源和目标。
4	ParseContext context 此对象在客户端应用程序希望自定义解析过程的情况下使用。

Example

以下是显示如何使用 parse() 方法的示例。

Step 1 -

要使用此解析器界面的 parse() 方法，请实例化为提供对此界面实现的任何类。

有单独的解析器类，例如 PDFParser、OfficeParser、XMLParser 等。您可以使用其中任何一个文档解析器。或者，您可以使用 CompositeParser 或 AutoDetectParser，它们在内部使用所有解析器类，并使用合适的解析器提取文档的内容。

Parser parser = new AutoDetectParser();
   (or)
Parser parser = new CompositeParser();
   (or)
object of any individual parsers given in Tika Library

Step 2 -

创建处理程序类对象。以下是三个内容处理程序 -

Sr.No.

Class & Description

BodyContentHandler 此类挑选 XHTML 输出的主体部分，并将该内容写入输出写入器或输出流中。然后，它将 XHTML 内容重定向到另一个内容处理程序实例。

LinkContentHandler 此类检测并挑选 XHTML 文档的所有 H-Ref 标记，并将其转发给像网络爬虫这样的工具使用。

TeeContentHandler 此类有助于同时使用多个工具。

由于我们的目标是从文档中提取文本内容，因此，请按如下所示实例化 BodyContentHandler -

BodyContentHandler handler = new BodyContentHandler( );

Step 3 -

按如下所示创建 Metadata 对象 -

Metadata metadata = new Metadata();

Step 4 -

创建任何输入流对象，并将应从中提取的文件传递给它。

FileInputstream

将文件路径作为参数传递以实例化文件对象，并将此对象传递到 FileInputStream 类构造函数中。

Note - 传递到文件对象的路径不应包含空格。

这些输入流类的问题在于不支持随机访问读取，而这是有效处理某些文件格式所必需的。为了解决此问题，Tika 提供了 TikaInputStream。

File  file = new File(filepath)
FileInputStream inputstream = new FileInputStream(file);
   (or)
InputStream stream = TikaInputStream.get(new File(filename));

Step 5 -

按如下所示创建解析上下文对象 -

ParseContext context =new ParseContext();

Step 6 -

实例化解析器对象，调用解析方法，并传递所有必需的对象，如下面的原型所示 -

parser.parse(inputstream, handler, metadata, context);

以下是使用解析器接口进行内容提取的程序 -

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandler;

import org.xml.sax.SAXException;

public class ParserExtraction {

   public static void main(final String[] args) throws IOException,SAXException, TikaException {

      //Assume sample.txt is in your current directory
      File file = new File("sample.txt");

      //parse method parameters
      Parser parser = new AutoDetectParser();
      BodyContentHandler handler = new BodyContentHandler();
      Metadata metadata = new Metadata();
      FileInputStream inputstream = new FileInputStream(file);
      ParseContext context = new ParseContext();

      //parsing the file
      parser.parse(inputstream, handler, metadata, context);
      System.out.println("File content : " + Handler.toString());
   }
}

将以上代码保存为 ParserExtraction.java，并从命令提示符中运行它 -

javac  ParserExtraction.java
java  ParserExtraction

以下是 sample.txt 的内容

Hi students welcome to tutorialspoint

如果您执行上述程序，它将为您提供以下输出 -

File content : Hi students welcome to tutorialspoint