如何使用 Java 和 Apache Tika 从 Zip 存档中的文件中读取和提取内容

实现从 Zip 存档中读取和提取内容的任务使用 Java 和 Apache Tika 压缩 zip 存档中的文件涉及几个关键步骤。

1。初始化输入

首先从要处理的文件创建输入流：

InputStream input = new FileInputStream(file);

2.解析 Zip Archive

创建 ZipInputStream 来解析 zip 存档并获取各个 ZipEntries:

ZipInputStream zip = new ZipInputStream(input);

3.根据文件类型提取内容

迭代 ZipEntries，识别具有支持的文件类型（例如 .txt、.pdf、.docx）的文件类型：

while (entry != null) {
    if (entry.getName().endsWith(".txt") || entry.getName().endsWith(".pdf") || entry.getName().endsWith(".docx")) {
        // Process the file
    }
    entry = zip.getNextEntry();
}

4.使用 Apache Tika 解析内容

使用 Apache Tika 解析所识别文件的内容：

BodyContentHandler textHandler = new BodyContentHandler();
Metadata metadata = new Metadata();
Parser parser = new AutoDetectParser();
parser.parse(input, textHandler, metadata, new ParseContext());

5.提取文本内容

将解析的内容转换为纯文本以进行进一步处理：

System.out.println("Apache Tika - Converted input string : "   textHandler.toString());

结论

通过执行以下步骤，您可以使用 Java 和 Apache Tika 高效地从 zip 存档中的多个文件中读取和提取内容。此功能对于处理包含文本或基于文档的数据的档案特别有用。