SpringBoot + Apache tika 轻松实现各种文档内容解析

缺乏、安全感 2024-05-01 16:28 59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:

<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 ###

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

<?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>

创建配置类MyTikaConfig

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：

![c749fe3b2761470ca2e41c8fa536fab0.png][]

[c749fe3b2761470ca2e41c8fa536fab0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/01/7eaccc04e7ca464b926d99e5b0b49278.png