專案介紹

Tika是一個內容分析工具，自帶全面的parser工具類，能解析基本所有常見格式的檔案，得到檔案的metadata，content等內容，返回格式化資訊。總的來說可以作為一個通用的解析工具。特別對於搜尋引擎的資料抓去和處理步驟有重要意義。

Tika是一個目的明確，使用簡單的apache的開源專案。下圖是Tika誕生的一個歷史過程。

Tika專案之初來源於Nutch專案(大家應該都不陌生)，現在是Lucene的子專案，所以也是來源於搜尋引擎。其實Nutch這個專案的開發過程中，孕育了不少東西，應該都歸功於Doug Cutting。我個人也是覺得這件事情很贊，要搞Nutch這樣一個通用的搜尋引擎，包括了全文索引和Web爬蟲兩大塊內容，在開發過程中逐漸誕生出一些核心的周邊產品，再孕育成子專案，包括hadoop，Lucene，Tika等等這些現代很主流，使用人群很廣的通用專案，帶給了IT界不少便利。我個人對此非常憧憬，覺得甚是美好。

從原始碼看功能

通過src裡幾個包和主要類，看Tika能幹什麼。跳過core包，tika-parsers展示了Tika能處理的檔案類別和內容，

音訊，圖片，文字，各種格式的檔案，tika都有對應的parser類來處理。而且Tika提供給了一些parser介面供擴充套件。tika-bundle提供Tika結合OSGi容器的能力。tika-app而則是一個在程式碼外直接使用Tika的jar包，可以在官網直接下載使用，提供gui和cmd使用方式，直觀地體驗這款產品。下面我會截圖展示。

Tika架構

下圖解釋了Tika的架構以及關鍵零部件的主要設計目標：由一個解析器框架（中間），MIME檢測機制（右側），語言檢測（左側），和一個facade元件（中間部分的原理圖）聯絡所有元件。外部介面，包括命令列和圖形介面（下一節我會簡單介紹），允許使用者整合到指令碼或者應用程式，並與Tika直接互動。在整個結構中，Tika的體系結構是可擴充套件的，新的解析器可以輕鬆地新增和刪除。

Tika使用

直接使用Tika，只要java -jar tika-app-1.2 --gui即可啟動，你可以把開啟本地檔案或者新增你要解析的url地址，甚至直接把各種檔案拖入Tika，檢視Tika的解析結果。大家可以直接下載jar包體驗下，非常方便。在View內可以選擇你想檢視的內容(Metadata, text等)。Tika對圖片的處理主要是提供一些元資訊，並不能分析出圖片內的內容，所以圖片形式的pdf檔案自然是不能檢視text資訊的。

如果是用命令列，類似的語法是這樣的：

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專案依賴裡新增Tika，new Tika的例項，然後直接呼叫Tika的解析parser類，即可獲取到處理後的資訊。給個最簡單的例子：

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

介紹Tika出於兩個目的：

1. 感覺是一個通用，實用且易用的分析工具，可以與lucene，solr結合，天生服務搜尋引擎

2. 感嘆Nutch專案發展歷史，Apache各種開源專案的緊密，自然，優美的關聯性。

更多內容參看 《Tika in action》

（全文完）