如何使用 Apache Tika 读取 Zip 存档中多种​​文件类型的内容？

使用 Apache Tika 实现从 Zip 中的文件读取内容

挑战：

您渴望编写一个 Java 程序，使用 Apache Tika 提取并读取 zip 存档中多个文件的内容。具体来说，您的 zip 文件包含文本、PDF 和 docx 文件的混合。

解决方案：

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());
                    }
                }
            }
        }
    }
}

说明：

• 代码迭代 zip 文件中的条目。
• 对于每个条目，它检查文件类型并根据文件扩展名进行适当处理。
• 对于对于文本文件，Apache Tika 的 AutoDetectParser 用于将内容解析为字符串。
• 对于 PDF 文件，PDFParser 用于提取元数据，例如文档 ID。
• 对于 DOCX 文件， OOXMLParser 用于将内容解析为字符串。

以上是如何使用 Apache Tika 读取 Zip 存档中多种​​文件类型的内容？的详细内容。更多信息请关注PHP中文网其他相关文章！