HTML CSS JAVASCRIPT PYTHON PYTHON2 JAVA C C++ C# SQL Excel Linux AI BOOTSTRAP PHP 教程库 参考手册 技术文章 测验 练习 HOWTO FAQ
❮ 上一节 下一节 ❯

TIKA - 内容提取

Tika 使用各种解析器库从给定的解析器中提取内容。它选择正确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涉及的步骤，这些步骤由 Tika ParsertoString() 方法抽象出来。

解析过程

抽象解析过程 −

  • 最初，当我们将文档传递给 Tika 时，它会使用可用的合适类型检测机制并检测文档类型。

  • 一旦知道文档类型，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。

  • 然后传递文档以选择解析器，该解析器将解析内容，提取文本，并对不可读格式抛出异常。

使用 Tika 提取内容

下面给出的是使用 Tika 外观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 {

      //假设sample.txt位于当前目录中        
      File file = new File("sample.txt");
      
      //实例化Tika外观类
      Tika tika = new Tika();
      String filecontent = tika.parseToString(file);
      System.out.println("Extracted Content: " + filecontent);
   }		 
}

将上述代码保存为 TikaExtraction.java 并从命令提示符运行 −

javac TikaExtraction.java
java TikaExtraction

下面给出的是 sample.txt 的内容。

Hi students welcome to tutorialspoint

它为您提供以下输出 −

Extracted Content: Hi students welcome to tutorialspoint

使用解析器接口提取内容

Tika 的解析器包提供了几个接口和类，我们可以使用这些接口和类来解析文本文档。下面是 org.apache.tika.parser 包的框图。

解析器接口

有多个解析器类可用，例如 pdf 解析器、Mp3Passer、OfficeParser 等，用于单独解析各个文档。所有这些类都实现了解析器接口。

CompositeParser

给定的图表显示了 Tika 的通用解析器类:CompositeParser 和 AutoDetectParser。由于 CompositeParser 类遵循复合设计模式，因此您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 会使用复合方法自动将传入的文档发送到适当的解析器类。

parse() 方法

除了 parseToString() 之外，您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)

下表列出了它接受作为参数的四个对象。

Sr.No. 对象和说明
1

InputStream 流

任何包含文件内容的 Inputstream 对象
2

ContentHandler 处理程序

Tika 将文档作为 XHTML 内容传递给此处理程序，然后使用 SAX API 处理该文档。它提供了对文档内容的有效后处理。
3

元数据元数据

元数据对象既用作文档元数据的源，也用作文档元数据的目标。
4

ParseContext 上下文

此对象用于客户端应用程序想要自定义解析过程的情况。

示例

下面给出了一个示例，展示了如何使用 parse() 方法。

步骤 1 −

要使用解析器接口的 parse() 方法，实例化任何提供此接口实现的类。

有单独的解析器类，例如 PDFParser、OfficeParser、XMLParser 等。您可以使用任何这些单独的文档解析器。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

步骤 2 −

创建一个处理程序类对象。下面给出了三个内容处理程序 −

Sr.No. 类和说明
1

BodyContentHandler

此类选择 XHTML 输出的正文部分并将该内容写入输出编写器或输出流。然后它将 XHTML 内容重定向到另一个内容处理程序实例。
2

LinkContentHandler

此类检测并选择 XHTML 文档的所有 H-Ref 标签，并转发这些标签以供网络爬虫等工具使用。
3

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，因此实例化 BodyContentHandler，如下所示 −

BodyContentHandler handler = new BodyContentHandler( );

步骤 3 −

创建 Metadata 对象，如下所示 −

Metadata metadata = new Metadata();

步骤 4 −

创建任何输入流对象，并将应提取的文件传递给它。

FileInputstream

通过将文件路径作为参数传递来实例化文件对象，并将此对象传递给 FileInputStream 类构造函数。

注意 − 传递给文件对象的路径不应包含空格。

这些输入流类的问题在于它们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。为了解决这个问题，Tika 提供了 TikaInputStream。

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

步骤 5 −

创建一个解析上下文对象，如下所示 −

ParseContext context =new ParseContext();

步骤 6 −

实例化解析器对象，调用解析方法，并传递所需的所有对象，如下面原型所示 −

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

下面给出了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 {

      //假设sample.txt位于当前目录中
      File file = new File("sample.txt");
      
      //解析方法参数
      Parser parser = new AutoDetectParser();
      BodyContentHandler handler = new BodyContentHandler();
      Metadata metadata = new Metadata();
      FileInputStream inputstream = new FileInputStream(file);
      ParseContext context = new ParseContext();
      
      //解析文件
      parser.parse(inputstream, handler, metadata, context);
      System.out.println("File content : " + Handler.toString());
   }
}

将上述代码保存为 ParserExtraction.java 并从命令提示符 − 运行它

javac ParserExtraction.java
java ParserExtraction

下面给出了 sample.txt 的内容

Hi students welcome to tutorialspoint

如果你执行上述程序，它将给出以下输出 −

File content : Hi students welcome to tutorialspoint
❮ 上一节 下一节 ❯