Spring Boot + Apache tika 实现文档内容解析

今天药忘吃喽~ 2023-10-13 12:24 15阅读 0赞

Apache tika是Apache开源的一个文档解析工具。Apache Tika可以解析和提取一千多种不同的文件类型(如PPT、XLS和PDF)的内容和格式，并且Apache Tika提供了多种使用方式，既可以使用图形化操作页面（tika-app），又可以独立部署（tika-server）通过接口调用，还可以引入到项目中使用。

本文演示在spring boot 中引入tika的方式解析文档。如下：

## 引入依赖 ##

在spring boot 项目中引入如下依赖:

xml复制代码  <dependencyManagement>
        <dependencies>
          <dependency>
            <groupId>org.apache.tika</groupId>
            <artifactId>tika-bom</artifactId>
            <version>2.8.0</version>
            <type>pom</type>
            <scope>import</scope>
          </dependency>
        </dependencies>
      </dependencyManagement>
    
        <dependency>
          <groupId>org.apache.tika</groupId>
          <artifactId>tika-core</artifactId>
        </dependency>
        <dependency>
          <groupId>org.apache.tika</groupId>
          <artifactId>tika-parsers-standard-package</artifactId>
        </dependency>

## 创建配置 ##

1.  将tika-config.xml文件放在resources目录下。tika-config.xml文件的内容如下：

xml复制代码<?xml version="1.0" encoding="UTF-8"?>
    <properties>
        <encodingDetectors>
            <encodingDetector class="org.apache.tika.parser.html.HtmlEncodingDetector">
                <params>
                    <param name="markLimit" type="int">64000</param>
                </params>
            </encodingDetector>
            <encodingDetector class="org.apache.tika.parser.txt.UniversalEncodingDetector">
                <params>
                    <param name="markLimit" type="int">64001</param>
                </params>
            </encodingDetector>
            <encodingDetector class="org.apache.tika.parser.txt.Icu4jEncodingDetector">
                <params>
                    <param name="markLimit" type="int">64002</param>
                </params>
            </encodingDetector>
        </encodingDetectors>
    </properties>

1.  创建配置类MyTikaConfig

java复制代码import java.io.IOException;
    import java.io.InputStream;
    import org.apache.tika.Tika;
    import org.apache.tika.config.TikaConfig;
    import org.apache.tika.detect.Detector;
    import org.apache.tika.exception.TikaException;
    import org.apache.tika.parser.AutoDetectParser;
    import org.apache.tika.parser.Parser;
    import org.springframework.beans.factory.annotation.Autowired;
    import org.springframework.context.annotation.Bean;
    import org.springframework.context.annotation.Configuration;
    import org.springframework.core.io.Resource;
    import org.springframework.core.io.ResourceLoader;
    import org.xml.sax.SAXException;
    
    /**
     * tika配置类
     */
    @Configuration
    public class MyTikaConfig {
    
        @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);
        }
    }

Tika类中提供了文芳detect、translate和parse功能， 在项目中通过注入TIka, 就可以使用了

## 在项目使用 ##

配置完成后在项目中可以通过注入TIka即可完成文档的解析。如下图所示：

![format_png][]

[format_png]: https://img-blog.csdnimg.cn/img_convert/bc29ca69fdc5d09aa02f8708dc7fe5ae.webp?x-oss-process=image/format,png