前言

有這樣一個需求“使用者上傳一個檔案，要得到這個檔案的文字內容，和它的建立時間(使用者建立的時間)”
乍一看上去，很簡單啊，可以按位元組讀檔案或按行讀檔案，也可以根據檔案的型別引入對應的jar包去獲取內容。檔案的建立時間，我找了一些資料，可以通過下面程式碼實現：

Process p = Runtime.getRuntime().exec("cmd /C dir "           
                    + filePath  
                    + "/tc" );  
InputStream is = p.getInputStream();   
BufferedReader br = new
 
 BufferedReader(new InputStreamReader(is));             
String line;  
while((line = br.readLine()) != null){  
    if(line.endsWith(".txt")){  
        strTime = line.substring(0,17);  
        break;  
     }                             
}   

到了這裡，我正打算去實現，轉念一想，apache的工具包裡有提供檔案複製的功能，即IOUtils.copy(InputStream input, OutputStream output)

Tika

The Apache Tika™ toolkit detects and extracts metadata and text from over a thousand different file types (such as PPT, XLS, and PDF). All of these file types can be parsed through a single interface, making Tika useful for search engine indexing, content analysis, translation, and much more. You can find the latest release on the download page. Please see the Getting Started page for more information on how to start using Tika.

官方地址

官方介紹說它可以支援上千種檔案型別，同時支援搜尋引擎索引、內容分析、翻譯。。。看到這，感覺我又發現了新大陸！！！
下面這張圖是tika的主要結構圖：

tika會根據你輸入的檔案自動分配解析工具，如PDFParser、OOXMLParser和HtmlParser等等，然後解析語言、MIME type、文字內容和Metedata

我這裡使用到Tika兩個功能：

• 文字內容抽取
• 元資料(MetaData)的獲取
  補充：MetaData即描述資料的資料！如一個檔案的建立者，建立時間，文件型別，位元組數等等。維基百科

使用

GUI

將專案checkout到本地並執行mvn clean install，然後進入tika-app目錄，執行

java -jar tika-app-1.4.jar --gui

如下動圖

Server

關於官方指定使用curl，我就在ubuntu上啟動了server，啟動的方式為

java -jar tika-server/target/tika-server.jar

測試了一個檔案，如下圖

還有其他的方法，如：

• Extract plain text:
  curl -T price.xls http://localhost:9998/tika

• Extract text with mime-type hint:
  curl -v -H "Content-type: application/vnd.openxmlformats-officedocument.wordprocessingml.document" -T document.docx http://localhost:9998/tika

• Get all document attachments as ZIP-file:
  curl -v -T Doc1_ole.doc http://localhost:9998/unpacker > /var/tmp/x.zip

• Extract metadata to CSV format:
  curl -T price.xls http://localhost:9998/meta

• Detect media type from CSV format using file extension hint:
  curl -X PUT -H "Content-Disposition: attachment; filename=foo.csv" --upload-file foo.csv http://localhost:9998/detect/stream

可根據自己的需要去呼叫

整合本地服務

雖然tika自己提供了服務，但是有的時候，我們想在本地自己搭建一個服務，在抽取完內容後或許還要做些其他的工作。就這個目的，我將1.14版本的tika整合到了本地，並自己搭建了一個簡單的服務，介面如下

依然使用swagger整理介面，如果你對swagger不瞭解，可以點這裡,程式碼放在了github，歡迎檢視

歡迎瀏覽我的個人部落格