Apache Tika使用报告

旧城等待， 2022-05-10 13:20 212阅读 0赞

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

--------------------

1.  Apache Tika简介
2.  配置Apache Tika运行环境
3.  用GUI图形界面进行文件格式转换的尝试
4.  用命令行使用Tika
5.  在java工程中使用Tika

### 1. Apache Tika 简介 ###

![Image 1][]

[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][Link 1]过程中文本内容的抽取，以及[搜索引擎][Link 2]进行数据抓取后的处理步骤。

![Image 1][]

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

![Image 1][]

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

![Image 1][]

如果没有配置java环境，请[下载][Link 3]并[配置Java JDK][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][]

![Image 1][]

Tika官网的下载页面

在cmd里键入命令打开GUI图形界面

![Image 1][]

命令行打开tika

![Image 1][]

### 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

![Image 1][]

tika\_test.txt

把tika\_test.txt拖进gui里，默认显示提取的元数据

![Image 1][]

MetaData

解析成Formatted Text

![Image 1][]

Formatted Text

解析成Plain text

![Image 1][]

Plain text

提取Main content 居然是空的

![Image 1][]

Main content

解析成XML

![Image 1][]

xml

解析成json

![Image 1][]

json

### 4. 用命令行使用Tika ###

先来查看Tika命令行的基本参数

![Image 1][]

基本参数

用命令把doc解析为text

![Image 1][]

doc

![Image 1][]

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

![Image 1][]

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

![Image 1][]

在Eclipse中运行

生成ddd.doc,如下图

![Image 1][]

生成的doc文件

参考链接：  
[Apache Tika from EN-Wikipedia][]  
[Tika常见格式文件抽取内容并做预处理][Tika]  
[Apache Tika:通用的内容分析工具][Apache Tika 1]  
[cmd中java -jar \*.jar 提示Unable to access jarfile \*.jar或Windows不能用鼠标双击运行jar文件怎么办解决方案][cmd_java -jar _.jar _Unable to access jarfile _.jar_Windows_jar]  
[TIKA环境配置][TIKA]  
相关链接：  
[Apache Tika 官网][Apache Tika 2]  
[Apache Tika Wiki][]  
[Apache Tika in Github][]  
[Book Tika in Action][]  
[Natural Language Processing with Python][]  
[潜在语义索引][Link 4]

作者：㭍葉  
链接：https://www.jianshu.com/p/2a6ad1941788  
來源：简书  
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

[Image 1]: 
[Apache Tika]: https://link.jianshu.com?t=http://baike.baidu.com/link?url=J64-xedXf-h440YVfSx1iMn1HkRUvpGUFJOK3YiYVrc5iPj1qKK9WmoapKDq0MLbnklwCbOOvrOHOh9wsCkf6DiMfXkC7nK_6eS0CzeXkym
[Apache]: https://link.jianshu.com?t=https://en.wikipedia.org/wiki/Apache
[Lucene]: https://link.jianshu.com?t=https://en.wikipedia.org/wiki/Apache_Lucene
[Link 1]: https://link.jianshu.com?t=https://zh.wikipedia.org/wiki/%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86
[Link 2]: https://link.jianshu.com?t=https://zh.wikipedia.org/wiki/%E6%90%9C%E7%B4%A2%E5%BC%95%E6%93%8E
[Link 3]: https://link.jianshu.com?t=https://www.java.com/zh_CN/
[Java JDK]: https://link.jianshu.com?t=http://www.runoob.com/java/java-environment-setup.html
[Mirrors for tika-1.14-src.zip]: https://link.jianshu.com?t=http://www.apache.org/dyn/closer.cgi/tika/tika-1.14-src.zip
[Mirrors for tika-app-1.14.jar]: https://link.jianshu.com?t=http://www.apache.org/dyn/closer.cgi/tika/tika-app-1.14.jar
[Apache Tika from EN-Wikipedia]: https://link.jianshu.com?t=https://en.wikipedia.org/wiki/Apache_Tika
[Tika]: https://link.jianshu.com?t=http://www.cnblogs.com/baiboy/p/tika.html
[Apache Tika 1]: https://link.jianshu.com?t=http://blog.csdn.net/pelick/article/details/8520352
[cmd_java -jar _.jar _Unable to access jarfile _.jar_Windows_jar]: https://link.jianshu.com?t=http://www.w2bc.com/article/200900
[TIKA]: https://link.jianshu.com?t=http://www.yiibai.com/tika/tika_environment.html
[Apache Tika 2]: https://link.jianshu.com?t=https://tika.apache.org/
[Apache Tika Wiki]: https://link.jianshu.com?t=https://wiki.apache.org/tika/
[Apache Tika in Github]: https://link.jianshu.com?t=https://github.com/apache/tika
[Book Tika in Action]: https://link.jianshu.com?t=https://www.manning.com/books/tika-in-action
[Natural Language Processing with Python]: https://link.jianshu.com?t=http://www.nltk.org/book/
[Link 4]: https://link.jianshu.com?t=https://zh.wikipedia.org/wiki/%E6%BD%9C%E5%9C%A8%E8%AF%AD%E4%B9%89%E7%B4%A2%E5%BC%95