通过apache tika从文档(pdf、doc、docx、txt)中 提取特征数据

本文介绍如何通过apache tika从文档(pdf、doc、docx、txt)中 提取特征数据，比如文档中有身份证、姓名等信息。【全部是经本人实际测试过的功能】

1、需引入相关pom依赖

        <!-- apache tika 包，用于解析pdf、word文本文档-->
        <dependency>
            <groupId>org.apache.tika</groupId>
            <artifactId>tika-core</artifactId>
                <version>2.8.0</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.tika/tika-parsers-standard-package -->
        <dependency>
            <groupId>org.apache.tika</groupId>
            <artifactId>tika-parsers-standard-package</artifactId>
            <version>2.8.0</version>
        </dependency>

2、编写相关代码

package org.example.wordcontent;

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

import java.io.File;
import java.io.IOException;
import java.io.InputStream;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * 通过apache tika从 pdf、doc、docx、txt中提取数据
 * 核心依赖jar【tika-core 2.8.0、tika-parsers-standard-package 2.8.0(解析word时，需另外外依赖xmlbeans 5.1.1)】
 * 假定文档中的内容具有下列属性:
 * [授权人（签字）：张三
 *  身份证号码: 322025199902256056 ]
 *  待提取的内容为张三  和 322025199902256056。张三和322025199902256056的值会变
 */
public class TikaExtrator {
    public static void main(String[] args) {

        try {
            //// 替换为实际的PDF文件路径 测试例子: 如 测试.xlsx.
            InputStream input = TikaExtrator.class.getClassLoader().getResourceAsStream("综合信息查询授权书测试.docx");

            String text = extractTextFromFile(input);
            System.out.println("text: " + text);
            String name = extractName(text);
            String idNumber = extractIdNumber(text);
            System.out.println("授权人姓名: " + name);
            System.out.println("身份证号码: " + idNumber);
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    /**
     *
     * @param inputStream
     * @return
     * @throws IOException
     */
    private static String extractTextFromFile(InputStream inputStream) throws IOException {
        Tika tika = new Tika();
        try {
            return tika.parseToString(inputStream);
        } catch (TikaException e) {
            throw new RuntimeException(e);
        }
    }

    private static String extractName(String text) {
        Pattern pattern = Pattern.compile("授权人（签字）[：:]([\\u4e00-\\u9fa5]+)");
        Matcher matcher = pattern.matcher(text);
        if (matcher.find()) {
            return matcher.group(1);
        }
        return "";
    }

    private static String extractIdNumber(String text) {
        Pattern pattern = Pattern.compile("身份证号码[：:](\\d{18}|\\d{15})");
        Matcher matcher = pattern.matcher(text);
        if (matcher.find()) {
            return matcher.group(1);
        }
        return "";
    }
}

3、执行效果