如何使用 Apache Tika 从 ZIP 存档中的文件中提取内容？

使用 Apache Tika 从 Zip 中的文件中提取内容

满足您使用以下命令从 Zip 存档中的文件中读取和提取内容的要求Apache Tika，您需要对当前代码进行一些调整。虽然您的方法基本上是正确的，但问题在于获取 zip 中每个文件的 InputStream。

这是解决此问题的代码的更新版本：

<code class="java">import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.ArrayList;
import java.util.List;
import java.util.zip.ZipEntry;
import java.util.zip.ZipFile;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.BodyContentHandler;
import org.apache.tika.parser.ParseContext;
import org.xml.sax.SAXException;

public class SampleZipExtractNew {

    public static void main(String[] args) throws IOException {

        List<String> tempString = new ArrayList<>();
        StringBuffer sbf = new StringBuffer();

        File file = new File("C:\Users\xxx\Desktop\abc.zip");
        ZipFile zipFile = new ZipFile(file);

        Enumeration<? extends ZipEntry> entries = zipFile.entries();

        BodyContentHandler textHandler = new BodyContentHandler();
        Metadata metadata = new Metadata();

        Parser parser = new AutoDetectParser();

        while (entries.hasMoreElements()) {

            ZipEntry entry = entries.nextElement();

            try (InputStream inputStream = zipFile.getInputStream(entry)) {

                if (entry.getName().endsWith(".txt") || entry.getName().endsWith(".pdf") || entry.getName().endsWith(".docx")) {
                    parser.parse(inputStream, textHandler, metadata, new ParseContext());
                    tempString.add(textHandler.toString());
                }
            }
        }

        for (String text : tempString) {
            System.out.println("Apache Tika - Converted input string : " + text);
            sbf.append(text);
            System.out.println("Final text from all the three files " + sbf.toString());
        }
    }
}</code>

在此修订版中代码：

• 我们使用要处理的 zip 文件初始化 ZipFile 实例。
• 我们使用枚举迭代 ZIP 文件的条目，该枚举提供对每个条目的访问。
• 对于每个以“.txt”、“.pdf”或“.docx”结尾的条目，我们检索其InputStream。
• 在InputStream try-with-resources 块中，我们调用Apache Tika 解析器解析内容并提取文本。
• 提取的文本将添加到列表中以进行进一步处理，例如附加到 StringBuffer 中以进行合并提取。

以上是如何使用 Apache Tika 从 ZIP 存档中的文件中提取内容？的详细内容。更多信息请关注PHP中文网其他相关文章！