使用 Apache Tika 从 Zip 存档中的文件中提取内容
问题：
开发一个 Java 程序，利用 Apache Tika 读取存储在 zip 存档中的文件内容。 zip 存档包含各种文件格式（例如 txt、pdf 和 docx）。
解决方案：
要实现所需的功能，请按照以下步骤操作：
解析 Zip 存档：
调用 Apache Tika：
提取并转换内容：
合并提取的内容：
代码片段（已修改）：
<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.ZipInputStream;
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.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandlerFactory;
import org.xml.sax.SAXException;
public class ImprovedZipExtractor {
public static void main(String[] args) {
List<String> tempString = new ArrayList<>();
StringBuffer sbf = new StringBuffer();
File file = new File("C:\Users\xxx\Desktop\abc.zip");
InputStream input;
try {
input = new FileInputStream(file);
ZipInputStream zip = new ZipInputStream(input);
ZipEntry entry = zip.getNextEntry();
Metadata metadata = new Metadata();
Parser parser = new AutoDetectParser();
while (entry != null) {
if (entry.getName().endsWith(".txt") || entry.getName().endsWith(".pdf")
|| entry.getName().endsWith(".docx")) {
System.out.println("entry=" + entry.getName() + " " + entry.getSize());
parser.parse(zip, new BodyContentHandlerFactory(BodyContentHandlerFactory.INCLUDE_ENTITY_ROOT,
false).getNewBodyContentHandler(), metadata, new ParseContext());
tempString.add(sbf.toString());
}
entry = zip.getNextEntry();
}
zip.close();
input.close();
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());
}
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} catch (SAXException e) {
e.printStackTrace();
} catch (TikaException e) {
e.printStackTrace();
}
}
}</code>注意：修改代码以防止每次迭代期间 sbf 被覆盖并在循环外清除它以存储连接的内容非常重要所有文件的内容。
以上是如何使用 Java 中的 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！
