項(xiàng)目介紹

Tika是一個(gè)內(nèi)容分析工具，自帶全面的parser工具類，能解析基本所有常見(jiàn)格式的文件，得到文件的metadata，content等內(nèi)容，返回格式化信息。總的來(lái)說(shuō)可以作為一個(gè)通用的解析工具。特別對(duì)于搜索引擎的數(shù)據(jù)抓去和處理步驟有重要意義。

Tika是一個(gè)目的明確，使用簡(jiǎn)單的apache的開(kāi)源項(xiàng)目。下圖是Tika誕生的一個(gè)歷史過(guò)程。

Tika項(xiàng)目之初來(lái)源于Nutch項(xiàng)目(大家應(yīng)該都不陌生)，現(xiàn)在是Lucene的子項(xiàng)目，所以也是來(lái)源于搜索引擎。其實(shí)Nutch這個(gè)項(xiàng)目的開(kāi)發(fā)過(guò)程中，孕育了不少東西，應(yīng)該都?xì)w功于Doug Cutting。我個(gè)人也是覺(jué)得這件事情很贊，要搞Nutch這樣一個(gè)通用的搜索引擎，包括了全文索引和Web爬蟲(chóng)兩大塊內(nèi)容，在開(kāi)發(fā)過(guò)程中逐漸誕生出一些核心的周邊產(chǎn)品，再孕育成子項(xiàng)目，包括hadoop，Lucene，Tika等等這些現(xiàn)代很主流，使用人群很廣的通用項(xiàng)目，帶給了IT界不少便利。我個(gè)人對(duì)此非常憧憬，覺(jué)得甚是美好。

從源碼看功能

通過(guò)src里幾個(gè)包和主要類，看Tika能干什么。跳過(guò)core包，tika-parsers展示了Tika能處理的文件類別和內(nèi)容，

音頻，圖片，文本，各種格式的文件，tika都有對(duì)應(yīng)的parser類來(lái)處理。而且Tika提供給了一些parser接口供擴(kuò)展。tika-bundle提供Tika結(jié)合OSGi容器的能力。tika-app而則是一個(gè)在代碼外直接使用Tika的jar包，可以在官網(wǎng)直接下載使用，提供gui和cmd使用方式，直觀地體驗(yàn)這款產(chǎn)品。下面我會(huì)截圖展示。

Tika架構(gòu)

下圖解釋了Tika的架構(gòu)以及關(guān)鍵零部件的主要設(shè)計(jì)目標(biāo)：由一個(gè)解析器框架（中間），MIME檢測(cè)機(jī)制（右側(cè)），語(yǔ)言檢測(cè)（左側(cè)），和一個(gè)facade組件（中間部分的原理圖）聯(lián)系所有組件。外部接口，包括命令行和圖形界面（下一節(jié)我會(huì)簡(jiǎn)單介紹），允許用戶集成到腳本或者應(yīng)用程序，并與Tika直接交互。在整個(gè)結(jié)構(gòu)中，Tika的體系結(jié)構(gòu)是可擴(kuò)展的，新的解析器可以輕松地添加和刪除。

Tika使用

直接使用Tika，只要java -jar tika-app-1.2 --gui即可啟動(dòng)，你可以把打開(kāi)本地文件或者添加你要解析的url地址，甚至直接把各種文件拖入Tika，查看Tika的解析結(jié)果。大家可以直接下載jar包體驗(yàn)下，非常方便。在View內(nèi)可以選擇你想查看的內(nèi)容(Metadata, text等)。Tika對(duì)圖片的處理主要是提供一些元信息，并不能分析出圖片內(nèi)的內(nèi)容，所以圖片形式的pdf文件自然是不能查看text信息的。

如果是用命令行，類似的語(yǔ)法是這樣的：

[html]?view plaincopy

java?-jar?tika-app-1.0.jar?--text?document.doc??

java?-jar?tika-app-1.0.jar?--encoding=UTF-8?--text?document.doc??

java?-jar?tika-app-1.0.jar?--metadata?document.doc??

想在別的工程中使用Tika，只要在maven項(xiàng)目依賴?yán)锾砑覶ika，new Tika的實(shí)例，然后直接調(diào)用Tika的解析parser類，即可獲取到處理后的信息。給個(gè)最簡(jiǎn)單的例子：

[java]?view plaincopy

import?java.io.File;??

import?org.apache.tika.Tika;??

public?class?SimpleTextExtractor?{??

??public?static?void?main(String[]?args)?throws?Exception?{??

????//?Create?a?Tika?instance?with?the?default?configuration??

????Tika?tika?=?new?Tika();??

????//?Parse?all?given?files?and?print?out?the?extracted?text?content??

????for?(String?file?:?args)?{??

??????String?text?=?tika.parseToString(new?File(file));??

??????System.out.print(text);??

????}??

??}??

}??

總結(jié)

介紹Tika出于兩個(gè)目的：

1. 感覺(jué)是一個(gè)通用，實(shí)用且易用的分析工具，可以與lucene，solr結(jié)合，天生服務(wù)搜索引擎

2. 感嘆Nutch項(xiàng)目發(fā)展歷史，Apache各種開(kāi)源項(xiàng)目的緊密，自然，優(yōu)美的關(guān)聯(lián)性。

更多內(nèi)容參看?《Tika in action》

原文出自：http://blog.csdn.net/pelick/article/details/8520352

總結(jié)

以上是生活随笔為你收集整理的Apache Tika:通用的内容分析工具的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。