http://cloudera.iteye.com/blog/737629

apache 是個偉大的組織。

在lucene 檢索 如火如荼時， apache不忘繼續努力，近期提供了對各種格式檔案進行解析的解決方案 -- apache旗下的tika. 雖然還沒有1.0版  ， 但已經很好用：

1. /** 
2.      * 解析各種型別檔案 
3.      * @param 檔案路徑 
4.      * @return 檔案內容字串 
5.      */  
6.     public static String parse(String path) {  
7.         String result = ""
   ;  
8.         TikaConfig tikaConfig = TikaConfig.getDefaultConfig();  
9.         try {  
10.             result = ParseUtils.getStringContent(new File(path), tikaConfig);  
11.         }catch (Exception e) {  
12.             log.debug("[by ninja.hzw]" + e);  
13.         }  
14.         return result;  
15.     }  

很簡單，可以解析各種檔案，返回文件內容字串， word2003/2007 、 pdf  、 txt 都經過測試，均能解析且無亂碼問題。  

oh, Great Apach

Tika 的下載和打包：

下載不用多說，google 一下“apache tika” 找到其官網下載即可。

1. To build Tika from sources you first need to either download a source release or checkout the latest sources from version control.  
2. Once you have the sources, you can build them using the Maven 2 build system. Executing the following command in the base directory will build the sources and install the resulting artifacts in your local Maven repository.  
3. mvn install  

apache 已經說得很清楚，進入下載後的tika 目錄 ，然後執行maven install 即可。（當然這裡需要您懂得maven2的使用。當然不會的朋友可以聯絡我^^ . 還需注意，必須為jdk1.5 + 才能成功編譯打包。）

打包完後產生以下 jar：

1. tika-core/target/tika-core-0.7.jar  
2. Tika core library. Contains the core interfaces and classes of Tika, but none of the parser implementations. Depends only on Java 5.  
3. tika-parsers/target/tika-parsers-0.7.jar  
4. Tika parsers. Collection of classes that implement the Tika Parser interface based on various external parser libraries.  
5. tika-app/target/tika-app-0.7.jar  
6. Tika application. Combines the above libraries and all the external parser libraries into a single runnable jar with a GUI and a command line interface.  
7. tika-bundle/target/tika-bundle-0.7.jar  
8. Tika bundle. An OSGi bundle that includes everything you need to use all Tika functionality in an OSGi environment.  

 我們要想做文件解析，只需引入tika-core 和 tika-parsers 即可。

當然如果您的專案是maven 構建的，那更好了。在pom里加上依賴：

1. <dependency>  
2.   <groupId>org.apache.tika</groupId>  
3.   <artifactId>tika-core</artifactId>  
4.   <version>0.7</version>  
5. </dependency>  

以及

1. <dependency>  
2.   <groupId>org.apache.tika</groupId>  
3.   <artifactId>tika-parsers</artifactId>  
4.   <version>0.7</version>  
5. </dependency>  

maven 會自動下載。（感謝maven官方的支援。）