在 Java 中使用 Apache Tika 读取 doc、docx等格式文件内容

本文主要是介绍使用 Apache Tika 来读取 doc、docx 等格式文件内容。

场景

大模型业务应用开发中,避免不了文件的读取,虽说很多大模型应用平台都支持上传文件进行读取,但工作中不少文件保密性是相当高的,必须先在代码中处理一遍。

那么就会涉及到后端系统中读取多种文件格式的内容的场景,此时,正是 Tika 大显身手的好时候。

优点

这里选择对比网络上常出现的 poi 组件,有以下优点:

  1. 无需自行判断文件格式从而去选择对应的解析器,tika 支持自识别相当多的文件格式;
  2. 针对错误的 doc、docx 格式,传统代码很难区分,容易导致抛出异常。

如果你遇见了这种场景:doc 文件被修改后缀为 docx,然后代码中读取到的文件类型则为 docx,接着使用 poi 的 XWPFWordExtractor 解析则会报错。

此种情况是不容易区分出两种文件类型的,因为使用 WPS 打开不会存在提示,业务老师对此也不会敏感,你甚至都很难加上约束。

此时可以考虑使用 Apache Tika 帮你快速稳定实现文件读取功能。

用法

引入依赖

groovy 复制代码
dependencies {
    runtime 'org.apache.tika:tika-core:3.2.0'
    runtime 'org.apache.tika:tika-parsers-standard-package:3.2.0'
}

执行代码

java 复制代码
public String parse() throws IOException, SAXException, TikaException {
    Tika tika = new Tika();
    try (InputStream stream = Object.class.getResourceAsStream("test.doc")) {
        return tika.parseToString(stream);
    }
}

参考

https://tika.apache.org/3.2.0/examples.html
https://allinprogram.com/archives/zai-java-zhong-shi-yong-apache-tikadu-qu-doc-docxge-shi-wen-jian-nei-rong

相关推荐
Violet_YSWY11 分钟前
final是干嘛的
java·开发语言
RickyWasYoung12 分钟前
【matlab】字符串数组 转 double
android·java·javascript
lang2015092827 分钟前
Spring OXM:轻松实现Java-XML互转
xml·java·spring
Lisonseekpan1 小时前
为什么要避免使用 `SELECT *`?
java·数据库·后端·sql·mysql·oracle
一只小透明啊啊啊啊1 小时前
Java的中间件
java·开发语言·中间件
Wilson Chen1 小时前
深入理解 MySQL 事务与锁机制:从 ACID 到 Next-Key Lock 的实证之旅
java·数据库·mysql
bluetata1 小时前
Rokid AR眼镜开发入门:构建智能演讲提词器Android应用
android·人工智能·云计算·ar·ai编程
学编程就要猛1 小时前
数据结构初阶:Java中的ArrayList
java·开发语言·数据结构
JH30731 小时前
10分钟理解泛型的通配符(extends, super, ?)
java·开发语言·windows
在等晚安么2 小时前
力扣面试经典150题打卡
java·数据结构·算法·leetcode·面试·贪心算法