Springboot集成Tika实现文档解析

 更新时间:2024年11月26日 10:18:20   作者:有一只柴犬  
Tika是一款Apache开源的,跨平台,支持多品种文本类型的内容检测和提取工具,本文将介绍Springboot如何集成Tika实现文档解析,需要的可以参考下

1、什么是Tika

Tika是一款Apache开源的,跨平台,支持多品种文本类型的内容检测和提取工具。Apache官方的介绍如下:Apache Tika™ 工具包可检测并提取一千多种不同文件类型(如 PPT、XLS 和 PDF)中的元数据和文本。所有这些文件类型都可以通过一个界面进行解析,这使得 Tika 可用于搜索引擎索引、内容分析、翻译等。

2、基本特性

跨平台:Tika 可以在多种操作系统上运行,包括 Windows、Linux 和 Mac OS。

支持多种格式:Tika 支持多种文件格式,包括常见的文档、图片、音频和视频格式。

可扩展性:Tika 的设计是模块化的,允许开发者添加新的解析器来支持新的文件格式。

安全性:Tika 提供了防止文件注入攻击的机制,确保在处理用户上传的文件时保持安全性。

3、Tika可视化提取

Tika提供了可视化界面工具,可以直接通过可视化工具手动提取我们想要的文本内容。可视化工具需要下载tika-app.jar包,下载后,直接执行java -jar tika-app-2.9.2.jar,即可唤起程序主页面:

打开我们需要提取的文本,点击view -> 即可提取我们想要的格式。

4、Springboot集成

4.1、maven依赖

<dependencies>
 
        <dependency>
            <groupId>org.apache.tika</groupId>
            <artifactId>tika-core</artifactId>
            <version>2.9.2</version>
        </dependency>
 
        <dependency>
            <groupId>org.apache.tika</groupId>
            <artifactId>tika-parsers-standard-package</artifactId>
            <version>2.9.2</version>
        </dependency>
 
    </dependencies>

4.2、Tika配置文件

tika-config.xml:

<?xml version="1.0" encoding="UTF-8"?>
<properties>
    <encodingDetectors>
        <!-- 检测 HTML 文件的字符编码,它会根据 HTML 元素(如 <meta> 标签)中的声明来判断编码。 -->
        <encodingDetector class="org.apache.tika.parser.html.HtmlEncodingDetector">
            <params>
                <!-- 读取的最大字节数(这里是 64,000 字节)用于判断编码 -->
                <param name="markLimit" type="int">64000</param>
            </params>
        </encodingDetector>
        <!-- Tika 的通用编码检测器 -->
        <encodingDetector class="org.apache.tika.parser.txt.UniversalEncodingDetector">
            <params>
                <param name="markLimit" type="int">64000</param>
            </params>
        </encodingDetector>
        <!-- 基于 ICU4J 库的编码检测器。ICU4J 是一个强大的国际化库,能够更准确地检测多语言文本的编码。 -->
        <encodingDetector class="org.apache.tika.parser.txt.Icu4jEncodingDetector">
            <params>
                <param name="markLimit" type="int">64000</param>
            </params>
        </encodingDetector>
    </encodingDetectors>
</properties>

4.3、注入tika bean

@Configuration
public class ApplicationTikaConfig {
 
    @Autowired
    private ResourceLoader resourceLoader;
 
    @Bean
    public Tika tika() throws TikaException, IOException, SAXException {
        Resource resource = resourceLoader.getResource("classpath:tika-config.xml");
        InputStream inputStream = resource.getInputStream();
 
        TikaConfig config = new TikaConfig(inputStream);
        Detector detector = config.getDetector();
        Parser autoDetectParser = new AutoDetectParser(config);
        return new Tika(detector, autoDetectParser);
    }
}

4.4、Service类

@Service
public class TikaParserService {
 
    @Autowired
    private Tika tika;
 
    public void parser(Path srcPath) throws TikaException, IOException {
        String result = tika.parseToString(srcPath);
        System.out.println(result);
    }
 
}

4.5、测试类TikaParserDemoTest

@SpringBootTest(classes = Main.class)
@RunWith(SpringRunner.class)
public class TikaParserDemoTest {
 
    @Autowired
    private TikaParserService tikaParserService;
 
    @Test
    public void testTikaParser() throws TikaException, IOException {
        tikaParserService.parser(Paths.get("F:", "Java开发手册(黄山版).pdf"));
    }
 
}

运行结果:

到此这篇关于Springboot集成Tika实现文档解析的文章就介绍到这了,更多相关Springboot Tika文档解析内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • Java在并发环境中SimpleDateFormat多种解决方案

    Java在并发环境中SimpleDateFormat多种解决方案

    这篇文章主要介绍了Java在并发环境中SimpleDateFormat多种解决方案,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2020-07-07
  • Activiti explorer.war示例工程使用过程图解

    Activiti explorer.war示例工程使用过程图解

    这篇文章主要介绍了Activiti explorer.war示例工程使用过程图解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2020-03-03
  • Java 生产者/消费者问题实例详解

    Java 生产者/消费者问题实例详解

    这篇文章主要实例分析了java中生产者消费者问题的方法,需要的朋友可以可以参考下
    2017-04-04
  • JAVA中的for循环几种使用方法讲解

    JAVA中的for循环几种使用方法讲解

    这篇文章主要介绍了JAVA中的for循环几种使用方法讲解,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教
    2021-09-09
  • eclipse端口被占用问题的解决方法

    eclipse端口被占用问题的解决方法

    这篇文章主要给大家介绍了关于eclipse端口被占用问题的解决方法,文中通过图文以及命令代码介绍的非常详细,对遇到这个问题的朋友们具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2018-07-07
  • Spring File Storage文件的对象存储框架基本使用小结

    Spring File Storage文件的对象存储框架基本使用小结

    在开发过程当中,会使用到存文档、图片、视频、音频等等,这些都会涉及存储的问题,文件可以直接存服务器,但需要考虑带宽和存储空间,另外一种方式就是使用云存储,这篇文章主要介绍了Spring File Storage文件的对象存储框架基本使用小结,需要的朋友可以参考下
    2024-08-08
  • Javaweb实现邮件发送

    Javaweb实现邮件发送

    这篇文章主要为大家详细介绍了Javaweb实现邮件发送,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2022-06-06
  • SpringMvc MultipartFile实现图片文件上传示例

    SpringMvc MultipartFile实现图片文件上传示例

    本篇文章主要介绍了SpringMvc MultipartFile实现图片文件上传示例,具有一定的参考价值,感兴趣的小伙伴们可以参考一下。
    2017-02-02
  • 零基础写Java知乎爬虫之获取知乎编辑推荐内容

    零基础写Java知乎爬虫之获取知乎编辑推荐内容

    上篇文章我们拿百度首页做了个小测试,今天我们来个复杂的,直接抓取知乎编辑推荐的内容,小伙伴们可算松了口气,终于进入正题了,哈哈。
    2014-11-11
  • 浅谈Java内存模型之happens-before

    浅谈Java内存模型之happens-before

    于存在线程本地内存和主内存的原因,再加上重排序,会导致多线程环境下存在可见性的问题。那么我们正确使用同步、锁的情况下,线程A修改了变量a何时对线程B可见?下面小编来简单介绍下
    2019-05-05

最新评论