Apache Tika入門？

Question

我想編寫一個使用Apache Tika來下載網頁文本內容的Java Web爬蟲，但是我是使用Apache項目的新手，但我還沒有找到確切的資料來闡明如何將Tika准確地集成到程序中。 根據我從Internet上收集到的信息，我已經在命令行中使用Maven構建了Tika，但是我不確定從哪里可以在Java程序中使用Parser等Tika類（？）。 我正在使用Eclipse（如果有所作為）-我也已經安裝了Eclipse的Maven插件，但是我不確定如何處理它...我需要輸入“ ...”行嗎？ 請原諒我的“初學者”問題，但逐步使用Tika的逐步指南將不勝感激。

Answer 1

首先，您需要通讀Apache Tika入門指南 ，其中包括如何將Tika包含在您的項目中。 （這假設您具有將第三方jar包含到您自己的項目中的一些基本知識，否則，您需要閱讀一些有關它的教程）

在您的項目中開始使用Tika的最簡單方法是通過Tika Facade課程 。 這提供了一個單一類，可用於檢測，將其解析為純文本字符串以及通過閱讀器將其解析為xhtml，這些均來自各種來源。 那里提供所有基礎知識。

要進行更高級的使用，您需要遵循Parser API頁面和Content Detection頁面上給出的信息。 您還可以使用AutoDetectParser來解析Tika示例 ，它應該可以完成您想做的事情，否則， 請瀏覽帶有注釋的Tika示例注釋列表，以獲取有關如何開始的好主意！