簡介

      Apache Tika toolkit可以自動檢測各種文檔(如word,ppt,xml,csv,ppt等)的類型并抽取文檔的元數據和文本內容。Tika集成了現有的文檔解析庫，并提供統一的接口，使針對不同類型的文檔進行解析變得更簡單。Tika針對搜索引擎索引、內容分析、轉化等非常有用。

支持的文檔格式

    詳見參見http://tika.apache.org/1.5/formats.html

1. HyperText Markup Language
2. XML and derived formats
3. Microsoft Office document formats
4. OpenDocument Format
5. Portable Document Format
6. Electronic Publication Format
7. Rich Text Format
8. Compression and packaging formats
9. Text formats
10. Feed and Syndication formats
11. Audio formats
12. Image formats
13. Video formats
14. Java class files and archives
15. The mbox format
16. CAD formats
17. Font formats
18. Executable programs and libraries

處理過程

    Tika通過一個parser和一個contentHandler來進行文檔分析和處理，其中parser負責解析具體的文檔，當解析到需要進行處理的時候，調用contentHandler進行解析內容的處理。contentHandler（org.xml.sax）是一個用于處理sax解析的程序接口，當parser解析到某些內容時（如節點之間的信息，以及節點本身的信息）時，便會根據需要去調用contentHandler的相關處理方法。即一個負責解析，一個負責處理，兩者相互協作，最終將信息通過一定的手段返回回來。

     Parser是一個接口，對不同的文檔進行處理時，需要尋找具體的解析器來實現具體的解析工作。Tika通過MimeType來實現對一個文檔的具體識別工作，即識別出一個文檔是什么樣的類型，然后再根據類型尋找相應的parser。最后調用具體實現的parser來完成parse工作。

    ContentHandler也是一個接口，對不同的信息進行處理時，需要自己調用具體的信息處理類。一般來說，如果只關心文檔內的內容（即有信息的地方），可以使用WriteOutContentHandler。這個handler將所以被解析到的信息通過一個output或write輸出到調用者提供的輸出流中，這樣最終可以讀取這個writer中的數據。

     除這些信息之外，還有一些信息需要在處理的過程中被解析和保存，比如一個文檔的標題，作者以及contentType等。在tika中，這些信息被保存在一個叫Metadata的對象中。metadata保存了很多與具體文檔相關的值，它以一個map的形式，保存相應的元數據信息值。如對于word，它會保存其中的Author，Keywords這些信息。這些信息對于用一些關鍵信息進行文檔檢索非常有用。

主要接口

    org.apache.tika.parser.Parser

/*
     * 
     * 解析一個文件流成一個序列的XHTML SAX事件
     * 
     * 在指定的metadata對象中填充文檔相關的元數據信息
     * 
     * 解析后不會關閉文檔流，關閉文檔流由調用者負責
     * 
     * @param stream the document stream (input)
     * @param handler handler for the XHTML SAX events (output)
     * @param metadata document metadata (input and output)
     * @param context parse context
     * @throws IOException if the document stream could not be read
     * @throws SAXException if the SAX events could not be processed
     * @throws TikaException if the document could not be parsed
     */
    void parse(
            InputStream stream, ContentHandler handler,
            Metadata metadata, ParseContext context)
            throws IOException, SAXException, TikaException;

    org.xml.sax.ContentHandler

    這是大多數SAX應用程序要實現的接口。

    如果應用程序需要得到基本分析事件的通知，它需要實現這個接口，并用SAX parser注冊一個實例。
解析器使用這個實例報告文檔相關的事件如element的start，end

代碼示例

import java.io.BufferedInputStream;
import java.io.BufferedOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;

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.ContentHandler;
import org.xml.sax.SAXException;

public class WordParserDemo {
    public static final String INPATH = "E:/test.xlsx";
    public static final String OUTPATH = "data.txt";

    public static void main(String[] args) throws IOException, SAXException,
            TikaException {
        // 針對97-2003的microsoft office使用
        // Parser parser = new OfficeParser();
        // 針對microsoft office 2007及其以后的版本，使用
        // Parser parser = new OOXMLParser();
        // 或簡單的使用AutoDetectParser
        parseFile(INPATH, OUTPATH);
    }

    public static boolean parseFile(String inFile, String outFile) {
        boolean result = false;
        InputStream in = null;
        OutputStream out = null;
        try {
            //創建輸入、輸出流
            in = new BufferedInputStream(new FileInputStream(new File(inFile)));
            out = new BufferedOutputStream(new FileOutputStream(
                    new File(outFile)));

            // 設置metadata
            Metadata meta = new Metadata();
            meta.add(Metadata.CONTENT_ENCODING, "utf-8");
            meta.set(Metadata.RESOURCE_NAME_KEY, inFile);

            // 設置contentHandler (可以替換為WriteOutContentHandler)
            ContentHandler handler = new BodyContentHandler(out);

            // 創建parser
            Parser parser = new AutoDetectParser();

            // 解析文檔
            parser.parse(in, handler, meta, new ParseContext());

            // 打印metadata信息
            for (String name : meta.names()) {
                System.out.println(name + ":" + meta.get(name));
            }
        } catch (Exception e) {
            result = false;
            System.out.println(e.getMessage());
        } finally {
            try {
                if (in != null)
                    in.close();
                if(out != null)
                    out.close();
            } catch (IOException e1) {
                System.out.println(e1.getMessage());
            }
        }
        return result;
    }
}

參考

pache.org/1.5/formats.html

http://blog.csdn.net/an74520/article/details/20380739