当前位置: 欣欣网 > 码农

SpringBoot + Apache tika 轻松实现各种文档内容解析

2024-06-29码农

作者:不可食用盐
链接:https://juejin.cn/post/7252159509848899640

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

  1. 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><paramname="markLimit"type="int">64000</param></params></encodingDetector><encodingDetector class="org.apache.tika.parser.txt.UniversalEncodingDetector"><params><paramname="markLimit"type="int">64001</param></params></encodingDetector><encodingDetector class="org.apache.tika.parser.txt.Icu4jEncodingDetector"><params><paramname="markLimit"type="int">64002</param></params></encodingDetector></encodingDetectors></properties>

  1. 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 */@Configurationpublic classMyTikaConfig{ @AutowiredprivateResourceLoader resourceLoader; @BeanpublicTika tika() throwsTikaException, 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:

热门推荐