如何使用 Apache Tika 讀取 Zip 檔案中多種檔案類型的內容？

使用Apache Tika 實作從Zip 中的檔案讀取內容

挑戰：

您渴望寫一個Java 程式，使用Apache Tika 提取並讀取zip 檔案中多個檔案的內容。具體來說，您的 zip 檔案包含文字、PDF 和 docx 檔案的混合。

解決方案：

public class ZipContentExtractor {

    public static void main(String[] args) throws IOException, SAXException, TikaException {
        File zipFile = new File("C:\Users\xxx\Desktop\abc.zip");

        try (ZipInputStream zipInputStream = new ZipInputStream(new FileInputStream(zipFile))) {
            ZipEntry entry;
            while ((entry = zipInputStream.getNextEntry()) != null) {
                // Checking file types
                if (entry.getName().endsWith(".txt") || entry.getName().endsWith(".pdf") || entry.getName().endsWith(".docx")) {
                    // Handling text files
                    if (entry.getName().endsWith(".txt")) {
                        BodyContentHandler textHandler = new BodyContentHandler();
                        Parser parser = new AutoDetectParser();
                        parser.parse(zipInputStream, textHandler, new Metadata(), new ParseContext());
                        System.out.println("TXT file content: " + textHandler.toString());
                    }
                    // Handling PDF files
                    else if (entry.getName().endsWith(".pdf")) {
                        Metadata metadata = new Metadata();
                        Parser parser = new PDFParser();
                        parser.parse(zipInputStream, new StreamingContentHandler(), metadata, new ParseContext());
                        System.out.println("PDF file content: " + metadata.get("xmpDM:documentID"));
                    }
                    // Handling DOCX files
                    else {
                        BodyContentHandler textHandler = new BodyContentHandler();
                        Parser parser = new OOXMLParser();
                        parser.parse(zipInputStream, textHandler, new Metadata(), new ParseContext());
                        System.out.println("DOCX file content: " + textHandler.toString());
                    }
                }
            }
        }
    }
}

說明：

• 程式碼迭代。
• 對於每個條目，它檢查檔案類型並根據檔案副檔名進行適當處理。
• 對於文字文件，Apache Tika 的 AutoDetectParser 用於將內容解析為字串。
• 對於 PDF 文件，PDFParser 用於提取元數據，例如文件 ID。
• 對於 DOCX 文件， OOXMLParser 用於將內容解析為字串。

以上是如何使用 Apache Tika 讀取 Zip 檔案中多種檔案類型的內容？的詳細內容。更多資訊請關注PHP中文網其他相關文章！