Apache-Tika

Apache Tika 文档解析
https://tika.apache.org/

---

Tika 读取 wps 格式文档

@Test
@SneakyThrows
public void readWps() {
    Tika tika = new Tika();
    InputStream inputStream = new FileInputStream("/Users/xx/通知.wps");
    String fileContent = tika.parseToString(inputStream);
    log.info(fileContent);
}

---

使用 BodyContentHandler 读取 docx 元数据及文本

Tika.parseToString() 内部会使用默认的 ContentHandler（通常是 BodyContentHandler ）来处理解析过程中的事件。
有些情况下可能需要更多的控制权，例如你可能想获取更详细的元数据，或者你想在解析过程中执行特定的操作（例如记录特定的事件，或者在某些条件下中断解析过程），在这种情况下，你可以创建自己的ContentHandler 实现，或者使用 Tika 提供的其他 ContentHandler 实现。

例如：

@Test
@SneakyThrows
public void testParser() {
    AutoDetectParser parser = new AutoDetectParser();
    BodyContentHandler handler = new BodyContentHandler();
    Metadata metadata = new Metadata();
    InputStream inputStream = new FileInputStream("/Users/xx/xx.docx");
    parser.parse(inputStream, handler, metadata);
    log.info("metadata: {}", metadata);
    log.info("text: {}", handler.toString());
}

---