- 追加された行はこの色です。
- 削除された行はこの色です。
*Java：apacheTikaを使ってみる [#u0b4ecaf]
Java、と書きつつ、まずはコマンドラインから実行してみる。
***ダウンロード [#a087190e]
Tikaのjarを以下のURLからダウンロード
-http://tika.apache.org/download.html
***使ってみる [#he3de2b0]
ここに、Tikaのコマンドラインが載っている。
-http://tika.apache.org/1.2/gettingstarted.html
前提としては、javaのパスが通っていること。
まず、テキスト情報だけ出力してみる。オプションは「-t」
java -jar tika-app-1.2.jar -t test.doc
これでやるとテキストがダーッと流れますｗ ので、適当にリダイレクトするなり。
メタ情報はこんな感じ。オプションは「-j」若しくは「-x」
java -jar tika-app-1.2.jar -j test.doc
なんか、いろいろ出力されますｗ
触った感じだと、結構ちゃんと出力されている気がしますｗ
これは便利かもｗ
以下usage
usage: java -jar tika-app.jar [option...] [file|port...]
Options:
-? or --help Print this usage message
-v or --verbose Print debug level messages
-V or --version Print the Apache Tika version number
-g or --gui Start the Apache Tika GUI
-s or --server Start the Apache Tika server
-f or --fork Use Fork Mode for out-of-process extraction
-x or --xml Output XHTML content (default)
-h or --html Output HTML content
-t or --text Output plain text content
-T or --text-main Output plain text content (main content only)
-m or --metadata Output only metadata
-j or --json Output metadata in JSON
-y or --xmp Output metadata in XMP
-l or --language Output only language
-d or --detect Detect document type
-eX or --encoding=X Use output encoding X
-pX or --password=X Use document password X
-z or --extract Extract all attachements into current directory
--extract-dir=<dir Specify target directory for -z
-r or --pretty-print For XML and XHTML outputs, adds newlines and
whitespace, for better readability
--create-profile=X
Create NGram profile, where X is a profile name
--list-parsers
List the available document parsers
--list-parser-details
List the available document parsers, and their supported mime types
--list-detectors
List the available document detectors
--list-met-models
List the available metadata models, and their supported keys
--list-supported-types
List all known media types and related information
Description:
Apache Tika will parse the file(s) specified on the
command line and output the extracted text content
or metadata to standard output.
Instead of a file name you can also specify the URL
of a document to be parsed.
If no file name or URL is specified (or the special
name "-" is used), then the standard input stream
is parsed. If no arguments were given and no input
data is available, the GUI is started instead.
- GUI mode
Use the "--gui" (or "-g") option to start the
Apache Tika GUI. You can drag and drop files from
a normal file explorer to the GUI window to extract
text content and metadata from the files.
- Server mode
Use the "--server" (or "-s") option to start the
Apache Tika server. The server will listen to the
ports you specify as one or more arguments.
