Tika是一个内容抽取的工具集合(a toolkit for text extracting)。它集成了POI, Pdfbox 并且为文本抽取工作提供了一个统一的界面。其次，Tika也提供了便利的扩展API，用来丰富其对第三方文件格式的支持。

在当前的0.2-SNAPSHOT版本中， Tika提供了对如下文件格式的支持:

PDF - 通过Pdfbox
MS-* - 通过POI
HTML - 使用nekohtml将不规范的html整理成为xhtml
OpenOffice 格式 - Tika提供
Archive - zip, tar, gzip, bzip等
RTF - Tika提供
Java class - Class解析由ASM完成
Image - 只支持图像的元数据抽取
XML
Tika的API十分便捷，核心是Parser interface，其中定义了一个parse方法：
public void parse(InputStream stream, ContentHandler handler, Metadata metadata)
用stream参数传递需要解析的文件流， 文本内容会被传入handler，而元数据会更新至metadata。

可以使用Tika的ParserUtils工具来根据文件的mime-type来得到一个适当的Parser来进行解析工作。或者Tika还提供了一个AutoDetectParser根据不同的二进制文件的特殊格式 (比如说Magic Code)，来寻找适合的Parser。

我写一个解析word的例子：

Java代码
package com.kongjob.test;  
 
import java.io.IOException;  
import java.io.InputStream;  
 
import org.apache.tika.exception.TikaException;  
import org.apache.tika.metadata.Metadata;  
import org.apache.tika.parser.microsoft.OfficeParser;  
import org.apache.tika.sax.BodyContentHandler;  
import org.xml.sax.ContentHandler;  
import org.xml.sax.SAXException;  
 
/** 
 * Filename: TikaTest.java Description:   
 * @author: jason.he 
 * @version: 1.0 Create at: Oct 14, 2009 2:38:22 PM 
 *  
 * Modification History: Date Author Version Description 
 * 2009 jason.he 1.0 1.0 Version 
 */ 
public class TikaTest {  
      
    public static void main(String[] args){  
        TikaTest tt = new TikaTest();  
        tt.testWordParser();  
    }  
          
    public String testWordParser(){  
 
        String result = "";  
        InputStream input = TikaTest.class.getResourceAsStream("/testWORD.doc");  
          
        try {  
            ContentHandler handler = new BodyContentHandler();  
            Metadata metadata = new Metadata();  
            new OfficeParser().parse(input, handler, metadata);  
 
            System.out.println(handler.toString());  
                      
        } catch (IOException e) {  
            e.printStackTrace();  
        } catch (SAXException e) {  
            e.printStackTrace();  
        } catch (TikaException e) {  
            e.printStackTrace();  
        } finally {  
            try {  
                input.close();  
            } catch (IOException e) {  
                e.printStackTrace();  
            }  
        }  
          
        return result;        
          
    }  
 
} 
输出结果：

Java代码
Sample Word Document  
 
 
 
 
 
This is a sample Microsoft Word Document.