[JAVA] Apache Tika 아파치 티카

:: PPT, CSV ,PDF 등 다양한 형태의, 파일의 메타 데이터와 텍스트를 감지하고 추출하는 라이브러리

 

 - CSV의 인코딩 타입을 확인할 목적으로 사용했다

 - tika 외 메타데이터 추출을 돕는 라이브러리가 있으나 최근까지 release 하길래 선택했다

 - juniversalchardet , ICU4J

 

:: tika-core - 핵심 라이브러리 (파서 없음)

:: tika-parsers - core + Tika Parser interface

---

<dependency>
	<groupId>org.apache.tika</groupId>
	<artifactId>tika-parsers</artifactId>
	<version>1.24.1</version>
</dependency>

 # metadata

	public static void getMetadata() {
		
		Tika tika = new Tika();
		Metadata metadata = new Metadata();

		try (TikaInputStream reader = TikaInputStream.get(Paths.get(DEFAULTPATH))){
			
			// 파일 본문
			String contents = tika.parseToString(reader, metadata);

			/*
			 * 파일 메타데이터 X-Parsed-By: org.apache.tika.parser.DefaultParser
			 * Content-Encoding: UTF-8
			 * csv:delimiter: comma
			 * Content-Type: text/csv; charset=UTF-8; delimiter=comma
			 */
             
	        for(String name : metadata.names()) {
	            System.out.println(name + ": " + metadata.get(name));
	        }
			
		} catch (IOException | TikaException e) {
			e.printStackTrace();
		}
		
	}

 

# mime type

	public static void getMimeType(File file) {
		String mimeType;
		Tika tika = new Tika();
		
		try {
			mimeType = tika.detect(file);
		} catch (IOException e) {
			e.printStackTrace();
		}
	}

 

# charset 

	public static void getCharset() {
		try {
			byte[] arr = Files.readAllBytes(Paths.get(DEFAULTPATH));
			
			CharsetDetector charsetDetector = new CharsetDetector();
			charsetDetector.setText(arr);
			charsetDetector.enableInputFilter(true);
			CharsetMatch cm = charsetDetector.detect();
			
			System.out.println(cm.getName());
			
		} catch (IOException e) {
			e.printStackTrace();
		}
	}

 

** https://www.tutorialspoint.com/tika/index.htm

** https://tika.apache.org/

** https://github.com/apache/tika