springboot集成tika解析word,pdf,xls文件文本内容

介绍

Apache Tika 是一个开源的内容分析工具包，用于从各种文档格式中提取文本和元数据。它支持多种文档类型，包括但不限于文本文件、HTML、PDF、Microsoft Office 文档、图像文件等。Tika 的主要功能包括内容检测、文本提取和元数据提取。

官网

https://tika.apache.org/

Apache Tika 的功能

• 内容检测：识别文件的 MIME 类型。
• 文本提取：从文档中提取纯文本内容。
• 元数据提取：从文档中提取元数据（如标题、作者、创建日期等）。

  与Springboot集成案例

  添加pom依赖

        org.apache.tika
        tika-core
        2.9.1
      
      
        org.apache.tika
        tika-parsers-standard-package
        2.9.1
      
  

  创建工具类

  public class MyFileUtils {
      public static String doParse(String filePath) throws TikaException, SAXException, IOException {
          try(InputStream inputStream = new FileInputStream(filePath)){
              BodyContentHandler handler = new BodyContentHandler(-1);
              Metadata metadata = new Metadata();
              ParseContext parseContext = new ParseContext();
              AutoDetectParser detectParser = new AutoDetectParser();
              detectParser.parse(inputStream, handler, metadata, parseContext);
              return handler.toString();
          }
      }
  }
  

  测试

  public class MyFileUtilsTest {
      public static void main(String[] args) {
          String filePath = "D:/tmp/测试附件.xls";
          String content = null;
          try {
              content = MyFileUtils.doParse(filePath);
          } catch (TikaException e) {
              e.printStackTrace();
          } catch (SAXException e) {
              e.printStackTrace();
          } catch (IOException e) {
              e.printStackTrace();
          }
          System.out.println(content);
      }
  }
  

  • 输出