如何從word、excel、pdf等檔案中提取文字（Tika）

Tika-内容分析工具包

官方網站：https://tika.apache.org/

在maven倉庫下載下傳最新版依賴 https://mvnrepository.com/artifact/org.apache.tika/tika-parsers

懶得去的同學，提供一個筆者正在使用的依賴

<!-- 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中的文字資訊

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);

    }
}
           

 輸出結果：

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("文檔.docx");
        String s = tika.parseToString(file);
        System.out.println(s);
    }
}
           

輸出結果：

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);
    }
}
           

輸出内容： 

提取pdf檔案中的文字

public class TikaDemo {
    public static void main(String[] args) throws IOException, TikaException {
        Tika tika = new Tika();
        File file = new File("pdf檔案.pdf");
        String s = tika.parseToString(file);
        System.out.println(s);
    }
}
           

輸出結果：