Tika是一個內(nèi)容分析工具,自帶全面的parser工具類,能解析基本所有常見格式的文件,得到文件的metadata,content等內(nèi)容,返回格式化信息。總的來說可以作為一個通用的解析工具。特別對于搜索引擎的數(shù)據(jù)抓去和處理步驟有重要意義。Tika是Apache的Lucene項(xiàng)目下面的子項(xiàng)目,在lucene的應(yīng)用中可以使用tika獲取大批量文檔中的內(nèi)容來建立索引,非常方便,也很容易使用。Apache Tika toolkit可以自動檢測各種文檔(如word,ppt,xml,csv,ppt等)的類型并抽取文檔的元數(shù)據(jù)和文本內(nèi)容。Tika集成了現(xiàn)有的文檔解析庫,并提供統(tǒng)一的接口,使針對不同類型的文檔進(jìn)行解析變得更簡單。Tika針對搜索引擎索引、內(nèi)容分析、轉(zhuǎn)化等非常有用。
應(yīng)用程序員可以很容易地在他們的應(yīng)用程序集成Tika。Tika提供了一個命令行界面和圖形用戶界面,使它比較人性化。在本章中,我們將討論構(gòu)成Tika架構(gòu)的四個重要模塊。下圖顯示了Tika的四個模塊的體系結(jié)構(gòu):
每當(dāng)一個文本文件被傳遞到Tika,它將檢測在其中的語言。它接受沒有語言的注釋文件和通過檢測該語言添加在該文件的元數(shù)據(jù)信息。支持語言識別,Tika 有一類叫做語言標(biāo)識符在包org.apache.tika.language及語言識別資料庫里面包含了語言檢測從給定文本的算法。Tika 內(nèi)部使用N-gram算法語言檢測。
Tika可以根據(jù)MIME標(biāo)準(zhǔn)檢測文檔類型。Tika默認(rèn)MIME類型檢測是使用org.apache.tika.mime.mimeTypes。它使用org.apache.tika.detect.Detector 接口大部分內(nèi)容類型檢測。內(nèi)部Tika使用多種技術(shù),如文件匹配替換,內(nèi)容類型提示,魔術(shù)字節(jié),字符編碼,以及其他一些技術(shù)。
org.apache.tika.parser 解析器接口是Tika解析文檔的主要接口。該接口從提取文檔中的文本和元數(shù)據(jù),并總結(jié)了其對外部用戶愿意寫解析器插件。采用不同的具體解析器類,具體為各個文檔類型,Tika 支持大量的文件格式。這些格式的具體類不同的文件格式提供支持,無論是通過直接實(shí)現(xiàn)邏輯分析器或使用外部解析器庫。
使用的Tika facade類是從Java調(diào)用Tika的最簡單和直接的方式,而且也沿用了外觀的設(shè)計模式。可以在 Tika API的org.apache.tika包Tika 找到外觀facade類。通過實(shí)現(xiàn)基本用例,Tika作為facade的代理。它抽象了的Tika庫的底層復(fù)雜性,例如MIME檢測機(jī)制,解析器接口和語言檢測機(jī)制,并提供給用戶一個簡單的接口來使用。
實(shí)現(xiàn)word文檔轉(zhuǎn)html
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<parent>
<artifactId>springboot-demo</artifactId>
<groupId>com.et</groupId>
<version>1.0-SNAPSHOT</version>
</parent>
<modelVersion>4.0.0</modelVersion>
<artifactId>tika</artifactId>
<properties>
<maven.compiler.source>8</maven.compiler.source>
<maven.compiler.target>8</maven.compiler.target>
</properties>
<dependencies>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-autoconfigure</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-test</artifactId>
<scope>test</scope>
</dependency>
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-parsers</artifactId>
<version>1.17</version>
</dependency>
<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
</dependency>
</dependencies>
</project>
package com.et.tika.controller;
import com.et.tika.convertor.WordToHtmlConverter;
import com.et.tika.dto.ConvertedDocumentDTO;
import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestMethod;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import org.springframework.web.multipart.MultipartFile;
import java.util.HashMap;
import java.util.Map;
@RestController
@Slf4j
public class HelloWorldController {
@RequestMapping("/hello")
public Map<String, Object> showHelloWorld(){
Map<String, Object> map = new HashMap<>();
map.put("msg", "HelloWorld");
return map;
}
@Autowired
WordToHtmlConverter converter;
/**
* Transforms the Word document into HTML document and returns the transformed document.
*
* @return The content of the uploaded document as HTML.
*/
@RequestMapping(value = "/api/word-to-html", method = RequestMethod.POST)
public ConvertedDocumentDTO convertWordDocumentIntoHtmlDocument(@RequestParam(value = "file", required = true) MultipartFile wordDocument) {
log.info("Converting word document into HTML document");
ConvertedDocumentDTO htmlDocument = converter.convertWordDocumentIntoHtml(wordDocument);
log.info("Converted word document into HTML document.");
log.trace("The created HTML markup looks as follows: {}", htmlDocument);
return htmlDocument;
}
}
package com.et.tika.convertor;
import com.et.tika.dto.ConvertedDocumentDTO;
import com.et.tika.exception.DocumentConversionException;
import lombok.extern.slf4j.Slf4j;
import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.parser.microsoft.ooxml.OOXMLParser;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.stereotype.Component;
import org.springframework.web.multipart.MultipartFile;
import org.xml.sax.SAXException;
import javax.xml.transform.OutputKeys;
import javax.xml.transform.TransformerException;
import javax.xml.transform.sax.SAXTransformerFactory;
import javax.xml.transform.sax.TransformerHandler;
import javax.xml.transform.stream.StreamResult;
import java.io.IOException;
import java.io.InputStream;
import java.io.StringWriter;
/**
*
*/
@Component
@Slf4j
public class WordToHtmlConverter {
/**
* Converts a .docx document into HTML markup. This code
* is based on <a href="http://stackoverflow.com/a/9053258/313554">this StackOverflow</a> answer.
*
* @param wordDocument The converted .docx document.
* @return
*/
public ConvertedDocumentDTO convertWordDocumentIntoHtml(MultipartFile wordDocument) {
log.info("Converting word document: {} into HTML", wordDocument.getOriginalFilename());
try {
InputStream input = wordDocument.getInputStream();
Parser parser = new OOXMLParser();
StringWriter sw = new StringWriter();
SAXTransformerFactory factory = (SAXTransformerFactory)
SAXTransformerFactory.newInstance();
TransformerHandler handler = factory.newTransformerHandler();
handler.getTransformer().setOutputProperty(OutputKeys.ENCODING, "utf-8");
handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "html");
handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "yes");
handler.setResult(new StreamResult(sw));
Metadata metadata = new Metadata();
metadata.add(Metadata.CONTENT_TYPE, "text/html;charset=utf-8");
parser.parse(input, handler, metadata, new ParseContext());
return new ConvertedDocumentDTO(wordDocument.getOriginalFilename(), sw.toString());
}
catch (IOException | SAXException | TransformerException | TikaException ex) {
log.error("Conversion failed because an exception was thrown", ex);
throw new DocumentConversionException(ex.getMessage(), ex);
}
}
}
package com.et.tika.dto;
import org.apache.commons.lang.builder.ToStringBuilder;
/**
*
*/
public class ConvertedDocumentDTO {
private final String contentAsHtml;
private final String filename;
public ConvertedDocumentDTO(String filename, String contentAsHtml) {
this.contentAsHtml = contentAsHtml;
this.filename = filename;
}
public String getContentAsHtml() {
return contentAsHtml;
}
public String getFilename() {
return filename;
}
@Override
public String toString() {
return new ToStringBuilder(this)
.append("filename", this.filename)
.append("contentAsHtml", this.contentAsHtml)
.toString();
}
}
package com.et.tika.exception;
/**
*
*/
public final class DocumentConversionException extends RuntimeException {
public DocumentConversionException(String message, Exception ex) {
super(message, ex);
}
}
以上只是一些關(guān)鍵代碼,所有代碼請參見下面代碼倉庫
啟動Spring Boot應(yīng)用
當(dāng)今數(shù)字化的時代,HTML和PDF已經(jīng)成為兩種最常用的文件格式。HTML用于網(wǎng)頁內(nèi)容的展示,而PDF則以其高度的可讀性和不依賴于平臺的特性,成為文檔分享和傳播的首選格式。然而,在辦公環(huán)境中,我們經(jīng)常需要在這兩種格式之間進(jìn)行轉(zhuǎn)換。那有沒有一種方法可以一鍵完成,批量轉(zhuǎn)換HTML為PDF格式,從而提升我們的辦公效率呢?現(xiàn)在一起來看看“辦公提效工具”如何批量操作的技巧吧。
把想要的網(wǎng)頁保存在本地磁盤中。
如何實(shí)現(xiàn)一鍵完成,批量轉(zhuǎn)換HTML為PDF呢?這里我們介紹一款常用的工具——辦公提效工具。辦公提效工具是一款強(qiáng)大的PDF編輯軟件,它提供了“批量轉(zhuǎn)換”功能,可以方便地將多個HTML文件一次性轉(zhuǎn)換為PDF格式。具體步驟如下:
操作1、在辦公提效工具面板上選擇“PDF編輯工具”進(jìn)入該編輯頁。
操作2、選擇轉(zhuǎn)換模式,支持多種格式轉(zhuǎn)換。下面選擇“html轉(zhuǎn)pdf”。
操作3、在面板上點(diǎn)擊“添加文件”,接著在彈出的文件選擇對話框中,選擇需要轉(zhuǎn)換的HTML文件,然后點(diǎn)擊“打開”自動導(dǎo)入到列表中。
操作4、選擇新文件保存位置,下面選擇“原文件相同位置”。
操作5、以上都設(shè)定好后,在面板上點(diǎn)擊“開始轉(zhuǎn)換”進(jìn)入任務(wù)轉(zhuǎn)換,接著看到狀態(tài)欄中轉(zhuǎn)換進(jìn)度發(fā)生變化。
操作6、轉(zhuǎn)換成功點(diǎn)擊“打開文件夾”進(jìn)入路徑看到已轉(zhuǎn)的兩個pdf文件。
操作7、打開pdf文件看到內(nèi)容與網(wǎng)頁相同。該有的文字和圖片等內(nèi)容版面一致。
通過以上步驟,我們就可以輕松實(shí)現(xiàn)一鍵完成,批量轉(zhuǎn)換HTML為PDF格式。這種方法不僅可以大大提升我們的辦公效率,還可以避免一個個等待的煩惱。同時,辦公提效工具還提供了許多其他的功能,如新建PDF文檔、修改原PDF文檔等,使得我們可以在處理PDF文件時更加得心應(yīng)手。
總之,一鍵完成,批量轉(zhuǎn)換HTML為PDF格式的方法,是提升辦公效率的有效途徑之一。通過合理地利用工具和技術(shù),我們可以更加高效地處理大量的文件和數(shù)據(jù),從而更好地滿足工作需求。
擬機(jī)為我們提供了一個無限可能的世界。在這個世界里,我們可以嘗試、學(xué)習(xí)、甚至犯錯,而不必?fù)?dān)心現(xiàn)實(shí)生活中的后果。Emacs,作為一款強(qiáng)大的文本編輯器,它的Org模式更是讓人們在組織復(fù)雜信息時如魚得水。但是,當(dāng)我們嘗試將Org文件轉(zhuǎn)換為HTML格式時,有時會遇到一個令人困惑的問題:“source block missing language specification #include”。這是什么意思?它又該如何解決呢?
在深入探討之前,讓我們先來思考一個問題:為什么我們要將Org文件轉(zhuǎn)換為HTML?答案可能各有不同,但一個共同點(diǎn)是,我們都希望能夠更好地分享和展示我們的工作。HTML作為一種廣泛支持的格式,能夠讓我們的內(nèi)容在不同的平臺上呈現(xiàn)出一致的效果。這就像是我們穿上了一件合身的外衣,讓內(nèi)在的價值得以外顯。
當(dāng)我們遇到“source block missing language specification #include”的提示時,我們應(yīng)該怎么辦呢?首先,我們需要理解這個提示的含義。在Emacs的Org模式中,當(dāng)我們使用源代碼塊時,通常需要指定語言類型,比如#+BEGIN_SRC python。這樣,Emacs就能夠知道如何高亮和格式化我們的代碼。但如果我們忘記了這一步,就會收到上述的提示。
解決這個問題的方法其實(shí)很簡單。我們只需要回到源代碼塊的開始,確保正確地指定了語言類型。如果是包含在文件中的代碼,比如C語言的頭文件,我們可以使用#+INCLUDE: "file.h" src c這樣的語法來引入。
通過這個簡單的修正,我們就能夠順利地將Org文件轉(zhuǎn)換為HTML,而不會再有任何阻礙。這個過程就像是我們在虛擬世界中解決了一個謎題,獲得了前進(jìn)的鑰匙。
并且可以嘗試以下幾種方法來解決:
方法一:添加語言規(guī)范
在 Org 文檔中,對于包含代碼塊的文本,需要添加語言規(guī)范,以便 Org-mode 正確地解析和轉(zhuǎn)換代碼。
具體步驟如下:
在代碼塊的開頭,添加一行指示語言規(guī)范的注釋。例如,對于 C 語言代碼,可以添加以下注釋:
#lang c
再次嘗試將 Org 文檔轉(zhuǎn)換為 HTML。
方法二:使用 org-babel
org-babel 是 Org-mode 的一個擴(kuò)展包,可以用于將代碼塊轉(zhuǎn)換為各種格式,包括 HTML。
具體步驟如下:
安裝 org-babel 擴(kuò)展包。
M-x package-install RET org-babel
在 Org 文檔中,將代碼塊標(biāo)記為 babel 塊。例如,對于 C 語言代碼,可以使用以下標(biāo)記:
#+begin_src c#include <stdio.h>int main() { printf("Hello, world!\n"); return 0;}#+end_src
再次嘗試將 Org 文檔轉(zhuǎn)換為 HTML。
方法三:使用 org-html-export-filter
org-html-export-filter 是 Org-mode 的一個函數(shù),可以用于在導(dǎo)出 HTML 時自定義代碼塊的轉(zhuǎn)換。
具體步驟如下:
在 Emacs 配置文件中,添加以下代碼:
(defun my-org-html-export-filter (block) "自定義代碼塊的轉(zhuǎn)換。" (if (string-match-p "^#lang\s+c\s*$" (org-block-property block :language)) (org-html-export-filter-block-as-code block "c" "highlight") (org-html-export-filter-block-as-verbatim block)))(add-hook 'org-html-export-filter-alist 'my-org-html-export-filter)
再次嘗試將 Org 文檔轉(zhuǎn)換為 HTML。
以上三種方法都可以解決 Org 轉(zhuǎn)為 HTML 時提示“source block missing language specification #include<stdio.h>”的問題。具體選擇哪種方法,可以根據(jù)自己的實(shí)際情況和需求來決定。
*請認(rèn)真填寫需求信息,我們會在24小時內(nèi)與您取得聯(lián)系。