java tika 读取文件_java – 使用apache tika在doc文件中获取嵌入式资源
我有ms文档包含文本和图像.我想解析它们以获得xml结构.在研究之后,我最终使用apache tika来转换我的文档.我可以将我的doc解析为xml.这是我的代码：
AutoDetectParser parser=new AutoDetectParser();
InputStream input=new FileInputStream(new File("1.docx"));
Metadata metadata = new Metadata();
StringWriter sw = new StringWriter();
SAXTransformerFactory factory = (SAXTransformerFactory)SAXTransformerFactory.newInstance();
TransformerHandler handler = factory.newTransformerHandler();
handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "xml");
handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "no");
handler.setResult(new StreamResult(sw));
parser.parse(input, handler, metadata, new ParseContext());
String xhtml = sw.toString();
我想从文档中提取图像并将其转换为二进制格式.我不知道如何从文档中提取嵌入的资源.
解决方法:
您需要定义自己的类来实现Parser,并将其附加到解析外部文档时提供的ParseContext.然后将为所有嵌入资源调用您的Parser,允许您根据需要将其保存
我能想到的最好的例子是Tika CLI,正如-z(extract)标志所使用的那样.如果您查看source code for TikaCLI,那么您正在寻找FileEmbeddedDocumentExtractor作为示例.
最简单的代码是这样的：
final AutoDetectParser parser = new AutoDetectParser();
public class ExtractParser extends AbstractParser {
private int att = 0;
public Set getSupportedTypes(ParseContext context) {
// Everything AutoDetect parser does
return parser.getSupportedTypes(context);
}
public void parse(
InputStream stream, ContentHandler handler,
Metadata metadata, ParseContext context)
throws IOException, SAXException, TikaException {
// Stream to a new file
File f = new File("out-" + (++att) + ".bin");
FileOutputStream fout = new FileOutputStream(f);
IOUtils.copy(strea, fout);
fout.closee();
}
}
InputStream input = new FileInputStream(new File("1.docx"));
Metadata metadata = new Metadata();
ParseContext context = new ParseContext();
context.set(Parser.class, extractParser);
parser.parse(input, handler, metadata, context);
如果您愿意,也可以使用EmbeddedDocumentExtractor接口,如果最好直接使用Parser,则取决于您想要做什么
标签：java,apache-tika
来源： https://codeday.me/bug/20190529/1175923.html