如何使用java从文本文档中提取内容?

在Java编程中，如何使用java从文本文档中提取内容？

项目的目录结构如下 -

Tika的工具包可从以下网址下载：http://tika.apache.org/download.html ，只下载：tika-app-1.16.jar 和 tika-server-1.16.jar 。

以下是使用java从文本文档中提取内容的程序 -

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.sax.BodyContentHandler;
import org.apache.tika.parser.txt.TXTParser;
import org.xml.sax.SAXException;

public class ExtractContentFromTextDoc {
    public static void main(String[] args) throws Exception {

        // detecting the file type
        BodyContentHandler handler = new BodyContentHandler();

        Metadata metadata = new Metadata();
        FileInputStream inputstream = new FileInputStream(new File("textExample.txt"));
        ParseContext pcontext = new ParseContext();

        // Text document parser
        TXTParser TexTParser = new TXTParser();

        TexTParser.parse(inputstream, handler, metadata, pcontext);
        System.out.println("Contents of the document:" + handler.toString());
        System.out.println("Metadata of the document:");
        String[] metadataNames = metadata.names();

        for (String name : metadataNames) {
            System.out.println(name + " : " + metadata.get(name));
        }
    }
}

原ODF文件：textExample.txt 的内容如下 -

执行上面示例代码，得到以下结果 -

Contents of the document:许虎虎定位为IT技术入门学习实例学习网站
许虎虎是完全免费的
许虎虎是非盈利性的
许虎虎一直在升级和更新
全球最大的中文 IT 技术入门学习实例教程资源
许虎虎是因特网上最大的 IT技术学习和开发者资源，其中包括全面的教程、完善的参考手册以及庞大的代码库。
许虎虎每月接受成千上万的用户访问，并产生几十万以上的页面浏览量。


Metadata of the document:
Content-Encoding : GB18030
Content-Type : text/plain; charset=GB18030