通过apache tika从文档(pdf、doc、docx、txt)中 提取特征数据

　　本文介绍如何通过apache tika从文档(pdf、doc、docx、txt)中 提取特征数据，比如文档中有身份证、姓名等信息。【全部是经本人实际测试过的功能】
1、需引入相关pom依赖

1.         
2.         <dependency>
3.             <groupId>org.apache.tika</groupId>
4.             tika-core</artifactId>
5.             <version>2.8.0</version>
6.         </dependency>
7.         
8.         <dependency>
9.             <groupId>org.apache.tika</groupId>
10.             tika-parsers-standard-package</artifactId>
11.             <version>2.8.0</version>
12.         </dependency>
13.         
14.         <dependency>
15.             <groupId>org.apache.xmlbeans</groupId>
16.             xmlbeans</artifactId>
17.             <version>5.1.1</version>
18.         </dependency>

复制代码

 
2、编写相关代码
 

1. package org.example.wordcontent;
3. import org.apache.tika.Tika;
4. import org.apache.tika.exception.TikaException;
6. import java.io.File;
7. import java.io.IOException;
8. import java.io.InputStream;
9. import java.util.regex.Matcher;
10. import java.util.regex.Pattern;
12. /**
13. * 通过apache tika从 pdf、doc、docx、txt中提取数据
14. * 核心依赖jar【tika-core 2.8.0、tika-parsers-standard-package 2.8.0(解析word时，需另外外依赖xmlbeans 5.1.1)】
15. * 假定文档中的内容具有下列属性:
16. * [授权人（签字）：张三
17. *  身份证号码: 322025199902256056 ]
18. *  待提取的内容为张三  和 322025199902256056。张三和322025199902256056的值会变
19. */
20. public class TikaExtrator {
21.     public static void main(String[] args) {
23.         try {
24.             //// 替换为实际的PDF文件路径 测试例子: 如 测试.xlsx.
25.             InputStream input = TikaExtrator.class.getClassLoader().getResourceAsStream("综合信息查询授权书测试.docx");
27.             String text = extractTextFromFile(input);
28.             System.out.println("text: " + text);
29.             String name = extractName(text);
30.             String idNumber = extractIdNumber(text);
31.             System.out.println("授权人姓名: " + name);
32.             System.out.println("身份证号码: " + idNumber);
33.         } catch (IOException e) {
34.             e.printStackTrace();
35.         }
36.     }
38.     /**
39.      *
40.      * @param inputStream
41.      * @return
42.      * @throws IOException
43.      */
44.     private static String extractTextFromFile(InputStream inputStream) throws IOException {
45.         Tika tika = new Tika();
46.         try {
47.             return tika.parseToString(inputStream);
48.         } catch (TikaException e) {
49.             throw new RuntimeException(e);
50.         }
51.     }
53.     private static String extractName(String text) {
54.         Pattern pattern = Pattern.compile("授权人（签字）[：:]([\\u4e00-\\u9fa5]+)");
55.         Matcher matcher = pattern.matcher(text);
56.         if (matcher.find()) {
57.             return matcher.group(1);
58.         }
59.         return "";
60.     }
62.     private static String extractIdNumber(String text) {
63.         Pattern pattern = Pattern.compile("身份证号码[：:](\\d{18}|\\d{15})");
64.         Matcher matcher = pattern.matcher(text);
65.         if (matcher.find()) {
66.             return matcher.group(1);
67.         }
68.         return "";
69.     }
70. }

复制代码

3、执行效果

 

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！