Tika使用不同的解析器庫來提取給解析器的內容。它選擇了正確的語法分析器提取給定的文檔類型。

解析文件，一般用於Tika外觀facade類的parseToString()方法。下麵顯示的是所涉及分析過程的步驟和這些由Tika的ParsertoString()方法提取。

抽象的分析過程：

• 最初，當我們傳一個文件到Tika，它使用與之適合的類型檢測機製和檢測文件類型。

• 一旦文檔類型是已知的，它選擇從解析器庫中合適的解析器。解析器庫中包含的類使用外部庫。

• 然後將文檔傳送到選擇將解析的內容，提取文本，並且還拋出了不可讀格式異常解析器。

使用Tika內容提取

下麵給出的是程序使用Tika facade 類從文件中提取文本：

import java.io.File;
import java.io.IOException;

import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;

import org.xml.sax.SAXException;

public class TikaExtraction {
	
   public static void main(final String[] args) throws IOException, TikaException {

      //Assume sample.txt is in your current directory		        
      File file = new File("sample.txt");
      
      //Instantiating Tika facade class
      Tika tika = new Tika();
      String filecontent = tika.parseToString(file);
      System.out.println("Extracted Content: " + filecontent);
   }		 
}

將以上代碼保存為TikaExtraction.java並在命令提示符下運行：

javac TikaExtraction.java 
java TikaExtraction

注意：假設 sample.txt 是具有下列內容。

Hi students welcome to yiibai

它提供了以下的輸出：

Extracted Content: Hi students welcome to yiibai

使用Parser接口內容提取

Tika 解析器包提供了使用它可以分析一個文本文檔的幾個接口和類。下麵給出的是org.apache.tika.parser包的框架圖。

有幾個可用的解析器類，如PDF格式分析器，Mp3Passer，OfficeParser等，逐一分析各自的文件。所有這些類都實現了解析器接口。

CompositeParser

給出的圖表顯示Tika通用解析器類CompositeParser 主AutoDetectParser。由於CompositeParser類遵循複合設計模式，可以用一組解析器實例作為一個單獨的解析器。CompositeParser類也可以訪問所有實現解析器接口的類。

AutoDetectParser

這是CompositeParser的子類，它提供了自動類型檢測。使用此功能，AutoDetectParser自動發送收到的文件到使用該複合方法適當分析器類。

parse()方法

除了parseToString()，還可以使用分析器接口的parse()方法。該方法的原型如下所示。

parse(InputStream stream, ContentHandler handler, Metadata metadata, 
ParseContext context)

下表列出了它接受作為參數的四個對象。

S.No.	對象及描述
1	InputStream stream 包含任何文件的InputStream對象的內容
2	ContentHandler handler Tika通過文檔作為XHTML內容到此處理，此後該文件正在使用SAX API處理。它提供了在一個文件有效的後處理的內容。
3	Metadata metadata 元數據對象是用來既作為源和文件的元數據的目標。
4	ParseContext context 此對象使用在如遇有客戶端應用程序想要定製解析過程。

例如：

下麵給出一個例子，說明如何使用 parse()方法。

步驟 1：

要使用解析器接口的parse()方法，實例化任何為其提供實現這個接口的類。

也有個彆解析器類，如PDFParser，OfficeParser，XMLParser等等。可以使用這些個人文件解析器。或者也可以使用CompositeParser或AutoDetectParser在內部使用的所有解析器類，並提取使用合適的解析器文檔的內容。

Parser parser = new AutoDetectParser();
   (or)
Parser parser = new CompositeParser();  
   (or)        
object of any individual parsers given in Tika Library 

步驟 2：

創建一個處理類的對象。下麵給出的是三個內容處理程序：

S.No.	類及描述
1	BodyContentHandler 這個類采用XHTML輸出的主體部分，並寫入該內容到輸出寫入或輸出流。然後重定向XHTML內容到另一個內容處理程序實例。
2	LinkContentHandler 這個類檢測，並挑選XHTML文檔的所有H-參考標簽和轉發那些使用類似網絡爬蟲工具。
3	TeeContentHandler 這個類可以幫助在同時使用多個工具。

由於我們的目標是要提取的文件的文本內容，實例化BodyContentHandler如下圖所示：

BodyContentHandler handler = new BodyContentHandler( );

步驟  3：

創建的元數據對象，如下所示：

Metadata metadata = new Metadata();

步驟  4：

創建任何輸入流對象，並通過您的文件應該被提取到它。

FileInputstream

通過將文件路徑作為參數實例化一個文件對象，這個對象傳遞給的FileInputStream類的構造函數。

注意：傳遞給文件對象的路徑不應包含空格。

使用這些輸入流類的問題是，它們不支持隨機訪問讀取，來高效地處理某些文件格式是必需。要解決此問題，Tika提供TikaInputStream。

File file=new File(filepath)
FileInputStream inputstream=new FileInputStream(file);
   (or)
InputStream stream = TikaInputStream.get(new File(filename));

步驟 5：

創建一個解析的上下文對象，如下所示：

ParseContext context =new ParseContext();

步驟 6：

實例化解析器對象，調用parse方法，並通過所有需要的對象，如下麵的原型：

parser.parse(inputstream, handler, metadata, context);

下麵給出的是程序使用的解析器接口內容提取：

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

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

import org.xml.sax.SAXException;

public class ParserExtraction {
	
public static void main(final String[] args) throws IOException,SAXException, TikaException {

   //Assume sample.txt is in your current directory
   File file = new File("sample.txt");
   
   //parse method parameters
   Parser parser = new AutoDetectParser();
   BodyContentHandler handler = new BodyContentHandler();
   Metadata metadata = new Metadata();
   FileInputStream inputstream = new FileInputStream(file);
   ParseContext context = new ParseContext();
   
   //parsing the file
   parser.parse(inputstream, handler, metadata, context);
   System.out.println("File content : " + Handler.toString());
   }
}

將以上代碼保存為 ParserExtraction.java 並在命令提示符下運行：

javac  ParserExtraction.java 
java  ParserExtraction

假設 sample.txt 包含以下內容。

Hi students welcome to yiibai

它提供了以下的輸出：

File content : Hi students welcome to yiibai