Apache Tika 介绍
Tika是一个内容抽取的工具集合(a toolkit for text
extracting)。它集成了POI,
Pdfbox
并且为文本抽取工作提供了一个统一的界面。其次，Tika也提供了便利的扩展API，用来丰富其对第三方文件格式的支持。
在当前的0.2-SNAPSHOT版本中， Tika提供了对如下文件格式的支持:
-
PDF - 通过PdfBox
-
MS-* - 通过POI
-
HTML - 使用nekohtml将不规范的html整理成为xhtml
-
OpenOffice 格式 - Tika提供
-
Archive - zip, tar, gzip, bzip等
-
RTF - Tika提供
-
Java class - Class解析由ASM完成
-
Image - 只支持图像的元数据抽取
-
XML
Tika的API十分便捷，核心是Parser interface，其中定义了一个parse方法：
public void parse(InputStream stream, ContentHandler handler, Metadata
Metadata)
用stream参数传递需要解析的文件流， 文本内容会被传入handler，而元数据会更新至Metadata。
可以使用Tika的ParserUtils工具来根据文件的mime-
type来得到一个适当的Parser来进行解析工作。或者Tika还提供了一个AutoDetectParser根据不同的二进制文件的特殊格式
(比如说Magic Code)，来寻找适合的Parser。