Java と Apache を使用して Zip アーカイブ内のファイルからコンテンツを読み取って抽出する方法 Tika

コンテンツを読み取って抽出するタスクの実行Java と Apache Tika を使用して zip アーカイブ内のファイルを作成するには、いくつかの重要な手順が必要です。

1.入力の初期化

まず、処理対象のファイルから入力ストリームを作成します。

InputStream input = new FileInputStream(file);

2． Zip アーカイブを解析する

Zip アーカイブを解析して個々の ZipEntries を取得するための ZipInputStream を作成します:

ZipInputStream zip = new ZipInputStream(input);

3.ファイル タイプに基づいてコンテンツを抽出する

ZipEntries を反復処理して、サポートされているファイル タイプ (.txt、.pdf、.docx など) を持つものを特定します:

while (entry != null) {
    if (entry.getName().endsWith(".txt") || entry.getName().endsWith(".pdf") || entry.getName().endsWith(".docx")) {
        // Process the file
    }
    entry = zip.getNextEntry();
}

4. Apache Tika を使用したコンテンツの解析

Apache Tika を使用して、特定されたファイルのコンテンツを解析します。

BodyContentHandler textHandler = new BodyContentHandler();
Metadata metadata = new Metadata();
Parser parser = new AutoDetectParser();
parser.parse(input, textHandler, metadata, new ParseContext());

5.テキスト コンテンツの抽出

さらなる処理のために解析されたコンテンツをプレーン テキストに変換します:

System.out.println("Apache Tika - Converted input string : "   textHandler.toString());

結論

これらに従ってくださいこの手順を実行すると、Java と Apache Tika を使用して、zip アーカイブ内の複数のファイルからコンテンツを効率的に読み取り、抽出できます。この機能は、テキストまたはドキュメントベースのデータを含むアーカイブを処理する場合に特に役立ちます。