Apache Tika学习使用报告

一、Tika 简介

1. 基本介绍

Tika是一个具有内置解析器用于处理各种文档类型的程序框架。该框架公布了标准的API供应用程序调用并完成从文档中提取文本和元数据，内置解析器会在后台通过外部程序提供的API与之交互。这使得你的应用程序能够针对不同的文档类型使用相同的API。当程序需要从文档中提取文本时，Tika会找到相应的解释器。

简单来说，tika是Apache下开源的文档处理工具，支持多种格式文件的内容解析，主要功能包括文档类型检测、内容提取、元数据提取、语言检测。

2. tika支持的文件类型

二、安装和使用 Tika

1.安装Tika

1.1配置java环境

tika的使用前提是计算机已经有java SDK的环境，如果没有可以百度java SDK安装教程；安装好后在命令行中检测java环境

java -version

验证后结果如图，即java环境已经安装配置好

java.png

1.2下载Tika

下载Tika的源代码[Mirrors for tika-1.18-src.zip]和Tika的jar包[Mirrors for tika-app-1.18.jar]
配置Tika环境： 将tika-app-1.18.jar的完整路径加入到环境变量CLASSPATH中。

2.Tika的使用

2.1 查看Tika的选项信息

java -jar tika-app-1.18.jar --help

选项信息.png
选项信息.png

2.2 使用Tika的GUI界面

java -jar tika-app-1.18.jar --gui

GUI.png

出现该界面后，直接拖拽文件到GUI界面即可，在左上角的view可以选择格式，可以解析成六种格式。

元数据.png
plain text.png

2.3 使用Tika的命令行（以一个Word文档为例）

输出为纯文本：

java -jar tika-app-1.18.jar -t 1.docx

text.png

输出json格式的元数据：

java -jar tika-app-1.18.jar -j 1.docx

json.png

参考链接：
Tika是什么？如何安装Tika？
TIKA环境配置
Supported Document Formats