Tika是一個內容抽取的工具集合(a toolkit for text extracting)。它集成了POI, Pdfbox 並且為文字抽取工作提供了一個統一的介面。其次，Tika也提供了便利的擴充套件API，用來豐富其對第三方檔案格式的支援。

在當前的0.2-SNAPSHOT版本中， Tika提供了對如下檔案格式的支援:

• PDF - 通過Pdfbox
• MS-* - 通過POI
• HTML - 使用nekohtml將不規範的html整理成為xhtml
• OpenOffice 格式 - Tika提供
• Archive - zip, tar, gzip, bzip等
• RTF - Tika提供
• Java class - Class解析由ASM完成
• Image - 只支援影象的元資料抽取
• XML

Tika的API十分便捷，核心是Parser interface，其中定義了一個parse方法：
public void parse(InputStream stream, ContentHandler handler, Metadata metadata)

用stream引數傳遞需要解析的檔案流， 文字內容會被傳入handler，而元資料會更新至metadata。

可以使用Tika的ParserUtils工具來根據檔案的mime-type來得到一個適當的Parser來進行解析工作。或者Tika還提供了一個AutoDetectParser根據不同的二進位制檔案的特殊格式 (比如說Magic Code)，來尋找適合的Parser。

提示：主要tika-xx.jar,解析相應的檔案必須有相應的jar.例如：excel檔案必須用到poi-xx.jar

[java] view plain copy print?

1. package com.miracle.tools;  
2. import org.apache.tika.metadata.Metadata;  
3. import org.apache.tika.parser.AutoDetectParser;  
4. import org.apache.tika.parser.ParseContext;  
5. import org.apache.tika.parser.Parser;  
6. import org.apache.tika.sax.BodyContentHandler;  
7. import org.xml.sax.ContentHandler;  
8. import java.io.*;  
9. /** 
10.  * Created with IntelliJ IDEA.
     
11.  * User: lianan 
12.  * Date: 14-3-3 
13.  * Time: 上午10:05 
14.  * To change this template use File | Settings | File Templates. 
15.  */
16. publicclass TiKaUtil {  
17.     publicstatic String parseFile(File file){  
18.         Parser parser = new AutoDetectParser();  
19.         InputStream input = null;  
20.         try{  
21.             Metadata metadata = new Metadata();  
22.             metadata.set(Metadata.CONTENT_ENCODING, "utf-8");  
23.             metadata.set(Metadata.RESOURCE_NAME_KEY, file.getName());  
24.             input = new FileInputStream(file);  
25.             ContentHandler handler = new BodyContentHandler();//當檔案大於100000時，new BodyContentHandler(1024*1024*10); 
26.             ParseContext context = new ParseContext();  
27.             context.set(Parser.class,parser);  
28.             parser.parse(input,handler, metadata,context);  
29.             for(String name:metadata.names()) {  
30.                 System.out.println(name+":"+metadata.get(name));  
31.             }  
32.             System.out.println(handler.toString());  
33.             return handler.toString();  
34.         }catch (Exception e){  
35.             e.printStackTrace();  
36.         }finally {  
37.             try {  
38.                 if(input!=null)input.close();  
39.             } catch (IOException e) {  
40.                 e.printStackTrace();  
41.             }  
42.         }  
43.         returnnull;  
44.     }  
45.     publicstaticvoid main(String argt0[])throws Exception{  
46.         parseFile(new File("E:\\學習手冊pdf\\HOST.txt"));  
47.     }  
48. }  
49. 最後記得修改資料庫對應欄位的型別！