尝试tika

Apache Tika 是一个内容分析抽取的工具集。
 它使用存在解析库，从各种类型的文档自动检测、抽取元数据和结构化文本内容。
 特点：
  1、自动判断文件类型, 如doc(x),xls(x),ppt,pdf,jpg等
  2、提供统一的解析接口
  3、各种解析库插件化
 
1、安装
 下载源代码：http://tika.apache.org/download.html,目前提供0.7 版源代码下载。
 以maven 项目组织的。
 使用maven构建 : mvn package
 
 构建成功后，生成相应jar包：
  tika-core-0.7.jar
  tika-parsers-0.7.jar
  tika-app-0.7.jar
  tika-bundle-0.7.jar
2、示例
 新建一个sbt工程,将以上4个包放入lib目录下
 
 scala源代码：
  import java.io._
  
  import org.apache.tika.metadata.Metadata
  import org.apache.tika.parser.ParseContext
  //import org.apache.tika.parser.Parser
  //import org.apache.tika.parser.html.HtmlParser
  import org.apache.tika.parser.microsoft.OfficeParser;
  //import org.apache.tika.parser.pdf.PDFParser
  import org.apache.tika.sax.BodyContentHandler
  import org.xml.sax.ContentHandler
  
  
  
  object TikaDemo {
   val PATH = """E:\0704.docx""";
   val OUTPATH = PATH+".txt";
  
   def main(args: Array[String]) {
    val in = new BufferedInputStream(new FileInputStream(new File(PATH)))
    val parser = new OfficeParser()
    val out = new BufferedOutputStream(new FileOutputStream(new File(OUTPATH)))
    val iHandler = new BodyContentHandler(out)
    try{
     parser.parse(in, iHandler, new Metadata(),new ParseContext())
    }catch{
     case e => e.printStackTrace
    }finally{
     in.close()
     out.close()
    }
   }
  }
       执行成功后, 同一目录下多了一个txt文件，文件内容就是word文档的文本内容
3、下一步
 需要了解ContentHandler相关的内容，如何抽取可定制的内容