Tika解析器API详细解释和用法 _Tika解析器

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。

文章图片
【Tika解析器API详细解释和用法】这些参数具有以下描述。

Argument	Description
InputStream stream	从此输入流中读取文档。
ContentHandler handler	ContentHandler是一个处理文档内容的接口。
元数据元数据	它是一个多值元数据容器。
ParseContext context	它用于将上下文信息传递给Tika解析器。

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。

Parser	Package	Description
AppleSingleFileParser	org.apache.tika.parser.apple	它用于解析苹果文件。
ClassParser	org.apache.tika.parser.asm	它用于解析类文件。
AudioParser	org.apache.tika.parser.audio	用于解析音频文件。
MidiParser	org.apache.tika.parser.audio	它用于解析midi文件。
Pkcs7Parser	org.apache.tika.parser.crypto	它用于解析pkcs7。
TSDParser	org.apache.tika.parser.crypto	它用于解析tsd。
DWGParser	org.apache.tika.parser.dwg	它用于解析dwg。
EnviHeaderParser	org.apache.tika.parser.envi	它用于解析envi。
EpubParser	org.apache.tika.parser.epub	它用于解析epub。
ExecutableParser	org.apache.tika.parser.executable	它用于解析可执行文件。
HtmlParser	org.apache.tika.parser.html	它用于解析html文件。
ImageParser	org.apache.tika.parser.image	用于解析图像文件。
WebPParser	org.apache.tika.parser.image	它用于解析webp。
IptcAnpaParser	org.apache.tika.parser.iptc	它用于解析iptcanpa。
JpegParser	org.apache.tika.parser.jpeg	它用于解析jpeg。
DBFParser	org.apache.tika.parser.dbf	它用于解析dbf文件。
Mp3Parser	org.apache.tika.parser.mp3	它用于解析mp3。
MP4Parser	org.apache.tika.parser.mp4	它用于解析mp4。
PDFParser	org.apache.tika.parser.pdf	用于解析pdf文件。

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 = http://www.srcmini.com/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。