Tika解析器API详细解释和用法

Tika Parser是提供从任何类型的文档提取内容和元数据的工具的界面。它是Tika的关键组件, 并组织到org.apache.tika.parser包中。它提供了具有以下签名的parse()方法。

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

它带有四个参数, InputStream, ContentHandler, Metadata和ParseContect类对象。四个参数中每个参数的目的如下所示。

这些参数具有以下描述。

Tika还提供了AutoDetectParser类, 该类可自动确定文件具有哪种内容, 然后调用适当的解析器。

除此之外, 它还支持各种其他解析器类, 可用于解析解析类类型的文档。请参阅下表。

Tika解析器示例

在此示例中, 我们使用AutoDetectParser自动检测文档类型, 然后解析内容和元数据。

package tikaexample;

import java.io.IOException;
import java.io.InputStream;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.SAXException;
public class AutoDetectParseExample {
	public static void main(String[] args) throws IOException, SAXException, TikaException {
		BodyContentHandler handler = new BodyContentHandler();
	    AutoDetectParser parser = new AutoDetectParser();
	    Metadata metadata = new Metadata();
	    try (InputStream stream = AutoDetectParseExample.class.getResourceAsStream("hello.txt")) {
	        parser.parse(stream, handler, metadata);
	        System.out.println(handler.toString());
	    }
	}
}

输出

以下是提取后的hello.txt文件的内容。

Hello Welcome to srcmini