16. Springboot集成Tika实现文档解析

目录

1、什么是Tika

2、基本特性

3、Tika可视化提取

4、Springboot集成

4.1、maven依赖

4.2、Tika配置文件

4.3、注入tika bean

4.4、Service类

4.5、测试类TikaParserDemoTest

---

1、什么是Tika

Tika是一款Apache开源的，跨平台，支持多品种文本类型的内容检测和提取工具。Apache官方的介绍如下：Apache Tika™ 工具包可检测并提取一千多种不同文件类型（如 PPT、XLS 和 PDF）中的元数据和文本。所有这些文件类型都可以通过一个界面进行解析，这使得 Tika 可用于搜索引擎索引、内容分析、翻译等。

2、基本特性

跨平台：Tika 可以在多种操作系统上运行，包括 Windows、Linux 和 Mac OS。

支持多种格式：Tika 支持多种文件格式，包括常见的文档、图片、音频和视频格式。

可扩展性：Tika 的设计是模块化的，允许开发者添加新的解析器来支持新的文件格式。

安全性：Tika 提供了防止文件注入攻击的机制，确保在处理用户上传的文件时保持安全性。

3、Tika可视化提取

Tika提供了可视化界面工具，可以直接通过可视化工具手动提取我们想要的文本内容。可视化工具需要下载tika-app.jar包，下载后，直接执行java -jar tika-app-2.9.2.jar，即可唤起程序主页面：

打开我们需要提取的文本，点击view -> 即可提取我们想要的格式。

4、Springboot集成

4.1、maven依赖

<dependencies><dependency><groupId>org.apache.tika</groupId><artifactId>tika-core</artifactId><version>2.9.2</version></dependency><dependency><groupId>org.apache.tika</groupId><artifactId>tika-parsers-standard-package</artifactId><version>2.9.2</version></dependency></dependencies>

4.2、Tika配置文件

tika-config.xml：

<?xml version="1.0" encoding="UTF-8"?>
<properties><encodingDetectors><!-- 检测 HTML 文件的字符编码，它会根据 HTML 元素（如 <meta> 标签）中的声明来判断编码。 --><encodingDetector class="org.apache.tika.parser.html.HtmlEncodingDetector"><params><!-- 读取的最大字节数（这里是 64,000 字节）用于判断编码 --><param name="markLimit" type="int">64000</param></params></encodingDetector><!-- Tika 的通用编码检测器 --><encodingDetector class="org.apache.tika.parser.txt.UniversalEncodingDetector"><params><param name="markLimit" type="int">64000</param></params></encodingDetector><!-- 基于 ICU4J 库的编码检测器。ICU4J 是一个强大的国际化库，能够更准确地检测多语言文本的编码。 --><encodingDetector class="org.apache.tika.parser.txt.Icu4jEncodingDetector"><params><param name="markLimit" type="int">64000</param></params></encodingDetector></encodingDetectors>
</properties>

4.3、注入tika bean

@Configuration
public class ApplicationTikaConfig {@Autowiredprivate ResourceLoader resourceLoader;@Beanpublic 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);}
}

4.4、Service类

@Service
public class TikaParserService {@Autowiredprivate Tika tika;public void parser(Path srcPath) throws TikaException, IOException {String result = tika.parseToString(srcPath);System.out.println(result);}}

4.5、测试类TikaParserDemoTest

@SpringBootTest(classes = Main.class)
@RunWith(SpringRunner.class)
public class TikaParserDemoTest {@Autowiredprivate TikaParserService tikaParserService;@Testpublic void testTikaParser() throws TikaException, IOException {tikaParserService.parser(Paths.get("F:", "Java开发手册（黄山版）.pdf"));}}

运行结果：

具体代码已上传到git，需要的自取。地址：GitHub - Shamee99/springboot-modules