SpringBoot + Apache tika 轻松实现各种文档内容解析

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:

                    org.apache.tika        tika-bom        2.8.0        pom        import                      org.apache.tika      tika-core              org.apache.tika      tika-parsers-standard-package    

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：

                                        64000                                                        64001                                                        64002                        

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 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：