推荐一款Apache开源的文档内容解析工具

shigen坚持更新文章的博客写手,擅长Java、python、vue、shell等编程语言和各种应用程序、脚本的开发。记录成长,分享认知,留住感动。

hello,伙伴们,在闲暇的时候逛了一下掘金,发现了这样的一篇文章:spring boot+apache tika实现文档内容解析,对里边提到的tika很感兴趣,感兴趣的原因之一就是当时在研究文档识别和文本识别的时候,找了很多的工具类:

其中,用到的处理word的工具是aspose,巧了,还要收费。相信用过的都知道怎么找license实现白嫖。总之呢,用起来还行,就是有风险。而且,对于各种文档,就需要找到对应的文档处理工具类,需要的依赖很多。

毕竟是Apache开源的东西,肯定很好用,于是继续研究了一下。发现宣传的有这些的特色:

摘自Apache tika官方文档

getting start 页面也列举了命令行工具的使用,其他的jar包和maven项目的结合,已有的文章已经很详细了:

当然,结合魔法,我相信我们获取相关技术的速度会得到很大程度上的提升。


接下来我讲一下让我觉得惊奇的jar命令行工具吧:

这里,我们只需要下载对应的jar包即可。当然,shigen也为大家提供了对应的镜像下载地址

下载完毕之后,直接java -jar启动即可:

复制代码
 java -jar tika-app-2.9.1.jar

这里解析各种文件都是可以的:

直接将文件拖拽到程序界面即可。

读取Excel

这里可以快速的读取Excel的内容并展示出来。支持六种格式,如常用的json格式。

读取ppt

当然,这里的PPT图片是不能正常显示的。

读取pdf

这里都是PDF的文字版本。

剩下的文件格式大家自行研究吧,分享点我觉得比较炸裂的功能。

读取图片

这是shigen之前在文章一个脚本,实现随机数据生成自由的代码,我们用tika打开会怎么样。

发现直接可以把图片中的文本识别出来。这里我们并没有安装任何的AI识别库或者模型,在10s内直接识别出来了,真的是相当的智能。

所以,tika可以成为我们命令行中的又一个相当好用的工具了。

大招

貌似文章在这里就应该结束了,但是不觉得很奇怪吗,命令行就是为了启动GUI界面吗,事实并不是。

r 复制代码
 java -jar tika-app-2.9.1.jar fake-util.png -T

我们可以直接在命令行打开文件并规定格式,参考官方文档和.jar文件的帮助文档。

那最后的结果和直接GUI操作一样的,我们的代码也是可以直接粘贴出来或者输出导入到一个文件直接运行的(当然,括号之类的特殊字符还要改一些的)。


以上就是今天分享的全部内容了,觉得不错的话,记得点赞 在看 关注支持一下哈,您的鼓励和支持将是shigen坚持日更的动力。同时,shigen在多个平台都有文章的同步,也可以同步的浏览和订阅:

平台 账号 链接
CSDN shigen01 shigen的CSDN主页
知乎 gen-2019 shigen的知乎主页
掘金 shigen01 shigen的掘金主页
腾讯云开发者社区 shigen shigen的腾讯云开发者社区主页
微信公众平台 shigen 公众号名:shigen

shigen一起,每天不一样!

相关推荐
东林牧之7 分钟前
Django+celery异步:拿来即用,可移植性高
后端·python·django
超浪的晨1 小时前
Java UDP 通信详解:从基础到实战,彻底掌握无连接网络编程
java·开发语言·后端·学习·个人开发
AntBlack1 小时前
从小不学好 ,影刀 + ddddocr 实现图片验证码认证自动化
后端·python·计算机视觉
Pomelo_刘金2 小时前
Clean Architecture 整洁架构:借一只闹钟讲明白「整洁架构」的来龙去脉
后端·架构·rust
双力臂4042 小时前
Spring Boot 单元测试进阶:JUnit5 + Mock测试与切片测试实战及覆盖率报告生成
java·spring boot·后端·单元测试
midsummer_woo3 小时前
基于spring boot的医院挂号就诊系统(源码+论文)
java·spring boot·后端
Olrookie4 小时前
若依前后端分离版学习笔记(三)——表结构介绍
笔记·后端·mysql
沸腾_罗强4 小时前
Bugs
后端
一条GO4 小时前
ORM中实现SaaS的数据与库的隔离
后端
京茶吉鹿4 小时前
"if else" 堆成山?这招让你的代码优雅起飞!
java·后端