java读取word，excel，ppt，pdf文件内容
Tika 是一个内容抽取的工具集合 (a toolkit for text extracting)。它集成了 POI, Pdfbox 并且为文本抽取工作提供了一个统一的界面。其次，Tika 也提供了便利的扩展 API，用来丰富其对第三方文件格式的支持。
在当前的 0.2-SNAPSHOT 版本中， Tika 提供了对如下文件格式的支持:
-
PDF - 通过 Pdfbox
-
MS-* - 通过 POI
-
HTML - 使用 nekohtml 将不规范的 html 整理成为 xhtml
-
OpenOffice 格式 - Tika 提供
-
Archive - zip, tar, gzip, bzip 等
-
RTF - Tika 提供
-
Java class - Class 解析由 ASM 完成
-
Image - 只支持图像的元数据抽取
-
XML
Tika 的 API 十分便捷，核心是 Parser interface，其中定义了一个 parse 方法：
public void parse(InputStream stream, ContentHandler handler, Metadata metadata)
用 stream 参数传递需要解析的文件流， 文本内容会被传入 handler，而元数据会更新至 metadata。
可以使用 Tika 的 ParserUtils 工具来根据文件的 mime-type 来得到一个适当的 Parser 来进行解析工作。或者 Tika 还提供了一个 AutoDetectParser 根据不同的二进制文件的特殊格式 (比如说 Magic Code)，来寻找适合的 Parser。
官方网站：https://tika.apache.org/
在maven仓库下载最新版依赖 https://mvnrepository.com/artifact/org.apache.tika/tika-parsers
懒得去的同学，提供一个笔者正在使用的依赖
<!-- https://mvnrepository.com/artifact/org.apache.tika/tika-parsers -->
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-parsers</artifactId>
<version>1.18</version>
</dependency>
提取url中的文字信息
public class TikaDemo {
public static void main(String[] args) throws IOException, TikaException {
Tika tika = new Tika();
String s = tika.parseToString(new URL("https://www.baidu.com"));
System.out.println(s);
}
}
提取word中的文字
public class TikaDemo {
public static void main(String[] args) throws IOException, TikaException {
Tika tika = new Tika();
File file = new File("文档.docx");
String s = tika.parseToString(file);
System.out.println(s);
}
}
提取excel中的文字
public class TikaDemo {
public static void main(String[] args) throws IOException, TikaException {
Tika tika = new Tika();
File file = new File("工作簿.xlsx");
String s = tika.parseToString(file);
System.out.println(s);
}
}
输出内容：
提取pdf文件中的文字
public class TikaDemo {
public static void main(String[] args) throws IOException, TikaException {
Tika tika = new Tika();
File file = new File("pdf文件.pdf");
String s = tika.parseToString(file);
System.out.println(s);
}
}
输出结果：