zoukankan      html  css  js  c++  java
  • Apache-Tika解析Word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Word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.Parser;
    import org.apache.tika.parser.microsoft.OfficeParser;
    import org.apache.tika.sax.BodyContentHandler;
    
    public class WordApp {
    
        public static void main(final 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(1024 * 1024 * 10);
            Metadata metadata = new Metadata();
            // Tika-1.1最高支持2007及更低版本的Office Word文档,如果是高于2007版本的Word文档需要使用POI处理(Tika会报错)
            FileInputStream inputstream = new FileInputStream(new File("D:/笔试题.doc"));
            ParseContext pcontext = new ParseContext();
    
            // 解析Word文档时应由超类AbstractParser的派生类OfficeParser实现
            Parser msofficeparser = new OfficeParser();
            msofficeparser.parse(inputstream, handler, metadata, pcontext);
            // 获取Word文档的内容
            System.out.println("Word文档内容:" + handler.toString());
    
            // 获取Word文档的元数据
            System.out.println("Word文档元数据:");
            String[] metadataNames = metadata.names();
    
            for (String name : metadataNames) {
                System.out.println(name + " : " + metadata.get(name));
            }
        }
    
    }
  • 相关阅读:
    【Py】Python的调包日常——网络类
    【Py】Python的调包日常——转码类
    第09组 Beta冲刺(3/5)
    第09组 Beta冲刺(2/5)
    第09组 Beta冲刺(1/5)
    第09组 Alpha事后诸葛亮
    第09组 Alpha冲刺(6/6)
    第09组 Alpha冲刺(5/6)
    第09组 Alpha冲刺(4/6)
    第09组 Alpha冲刺(3/6)
  • 原文地址:https://www.cnblogs.com/mengyao/p/4975700.html
Copyright © 2011-2022 走看看