内蒙古兴泰建设集团信息化网站/自媒体平台

实验对象：Apache Tika

实验目的：通过尝试使用Apache Tika进行文件格式转换，加深对搜索引擎的理解和认识

目录

Apache Tika简介

配置Apache Tika运行环境

用GUI图形界面进行文件格式转换的尝试

用命令行使用Tika

在java工程中使用Tika

1. Apache Tika 简介

Apache Tika是一个用java编写的内容检测和分析框架，是Apache的Lucene项目的子项目。它能够检测很多不同文件类型的文件，并提取文件的元数据和结构化文本。它提供了一个命令行界面和一个GUI界面，还提供一个java库。可用于自然语言处理过程中文本内容的抽取，以及搜索引擎进行数据抓取后的处理步骤。

Tika诞生历程

Tika 架构

Tika 体系结构的四个模块

语言检测机制

MIME检测机制

Parser接口

Tika Facade类

Tika主要功能

文档类型检测

内容提取

元数据提取

语言检测

2. 配置Apache Tika运行环境

验证java环境

如果没有配置java环境，请下载并配置Java JDK

下载Tika的源代码Mirrors for tika-1.14-src.zip和Tika的jar包Mirrors for tika-app-1.14.jar

Tika官网的下载页面

在cmd里键入命令打开GUI图形界面

命令行打开tika

3. 用GUI图形界面进行文件格式转换的尝试

编写一个二进制文件tika_test.txt放在C:\目录下

tika_test.txt

把tika_test.txt拖进gui里，默认显示提取的元数据

MetaData

解析成Formatted Text

Formatted Text

解析成Plain text

Plain text

提取Main content 居然是空的

Main content

解析成XML

xml

解析成json

json

4. 用命令行使用Tika

先来查看Tika命令行的基本参数

基本参数

用命令把doc解析为text

doc

text

5. 在java工程中使用Tika

在Eclipse中新建Java项目，并导入tika-app-1.14.jar

编写Test.java

import org.apache.tika.Tika;

import java.io.*;

/**

* Created by Administrator on 2017/5/15.

*/

public class Test {

public static void main(String[] args) throws Exception{

//二进制文件路径

String fileName="c:/tika_test.txt";

//二进制文件

File file1 = new File(fileName);

//通过tika获取文件内容

Tika tika = new Tika();

String filecontent = tika.parseToString(file1);

//打印文件内容

System.out.println("Extracted Content: " + filecontent);

try{

//要转换到的文件

File file =new File("c:/ddd.doc");

//文件不存在就新建

if(!file.exists()){

file.createNewFile();

}

//把二进制文件内容写入doc文件

FileWriter fw = new FileWriter(file.getAbsoluteFile());

BufferedWriter bw = new BufferedWriter(fw);

bw.write(filecontent);

bw.close();

System.out.println("Done");

}catch(IOException e){

e.printStackTrace();

}

}

}

运行程序

在Eclipse中运行

生成ddd.doc,如下图

生成的doc文件