Apache Tika入门？

Question

我想编写一个使用Apache Tika来下载网页文本内容的Java Web爬虫，但是我是使用Apache项目的新手，但我还没有找到确切的资料来阐明如何将Tika准确地集成到程序中。 根据我从Internet上收集到的信息，我已经在命令行中使用Maven构建了Tika，但是我不确定从哪里可以在Java程序中使用Parser等Tika类（？）。 我正在使用Eclipse（如果有所作为）-我也已经安装了Eclipse的Maven插件，但是我不确定如何处理它...我需要输入“ ...”行吗？ 请原谅我的“初学者”问题，但逐步使用Tika的逐步指南将不胜感激。

Answer 1

首先，您需要通读Apache Tika入门指南 ，其中包括如何将Tika包含在您的项目中。 （这假设您具有将第三方jar包含到您自己的项目中的一些基本知识，否则，您需要阅读一些有关它的教程）

在您的项目中开始使用Tika的最简单方法是通过Tika Facade课程 。 这提供了一个单一类，可用于检测，将其解析为纯文本字符串以及通过阅读器将其解析为xhtml，这些均来自各种来源。 那里提供所有基础知识。

要进行更高级的使用，您需要遵循Parser API页面和Content Detection页面上给出的信息。 您还可以使用AutoDetectParser来解析Tika示例 ，它应该可以完成您想做的事情，否则， 请浏览带有注释的Tika示例注释列表，以获取有关如何开始的好主意！