内容抽取工具集合 Apache Tika

     <a id="bannerLeft" title="Apache Tika" href="/misc/goto?guid=4958192182771561121"><img alt="内容抽取工具集合 Apache Tika" src="https://simg.open-open.com/show/b8ef8f577ac8250975e9e251d6841a42.png" width="292" height="100" /></a>    <p>Tika是一个内容抽取的工具集合(a toolkit for text extracting)。它集成了POI, Pdfbox 并且为文本抽取工作提供了一个统一的界面。其次，Tika也提供了便利的扩展API，用来丰富其对第三方文件格式的支持。<br /> <br /> 在当前的0.2-SNAPSHOT版本中， Tika提供了对如下文件格式的支持:</p>    <ul>     <li>PDF - 通过Pdfbox </li>     <li>MS-* - 通过POI </li>     <li>HTML - 使用nekohtml将不规范的html整理成为xhtml </li>     <li>OpenOffice 格式 - Tika提供 </li>     <li>Archive - zip, tar, gzip, bzip等 </li>     <li>RTF - Tika提供 </li>     <li>Java class - Class解析由ASM完成 </li>     <li>Image - 只支持图像的元数据抽取 </li>     <li>XML </li>    </ul>    <p>Tika的API十分便捷，核心是Parser interface，其中定义了一个parse方法：<br /> <code>public void parse(InputStream stream, ContentHandler handler, Metadata metadata)</code><br /> 用stream参数传递需要解析的文件流， 文本内容会被传入handler，而元数据会更新至metadata。<br /> <br /> 可以使用Tika的ParserUtils工具来根据文件的<code>mime-type</code>来得到一个适当的Parser来进行解析工作。或者Tika还提供了一个AutoDetectParser根据不同的二进制文件的特殊格式 (比如说Magic Code)，来寻找适合的Parser。<br /> <br /> </p>    <p><strong>项目主页：</strong><a href="http://www.open-open.com/lib/view/home/1325257655796" target="_blank">http://www.open-open.com/lib/view/home/1325257655796</a></p>