Apache-Tika解析PDF文档

通常在使用爬虫时，爬取到网上的文章都是各式各样的格式处理起来比较麻烦，这里我们使用Apache-Tika来处理PDF格式的文章，如下：

package com.mengyao.tika.app;

import java.io.File;
import java.io.FileInputStream;

import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.pdf.PDFParser;
import org.apache.tika.sax.BodyContentHandler;

public class PDFApp {

    public static void main(String[] args) throws Exception {
        //Tika默认是10*1024*1024，这里防止文件过大导致Tika报错
        BodyContentHandler handler = new BodyContentHandler(100*1024*1024);
        
        Metadata metadata = new Metadata();
        FileInputStream inputstream = new FileInputStream(new File("D:/Nutch入门教程.pdf"));
        ParseContext pcontext = new ParseContext();

        // 解析PDF文档时应由超类AbstractParser的派生类PDFParser实现
        PDFParser pdfparser = new PDFParser();
        pdfparser.parse(inputstream, handler, metadata, pcontext);

        // 获取PDF文档的内容
        System.out.println("PDF文档内容:" + handler.toString());

        // 获取PDF文档的元数据
        System.out.println("PDF文档元数据:");
        String[] metadataNames = metadata.names();

        for (String name : metadataNames) {
            System.out.println(name + " : " + metadata.get(name));
        }

    }

}