[java] Apache Tika 와 데이터 가공

17 Nov 2023

java

Apache Tika는 Java로 작성된 오픈 소스 라이브러리로, 다양한 형식의 문서를 파싱하고 메타데이터를 추출하는 데 사용됩니다. 이를 통해 텍스트 문서, 이미지, 비디오, 오디오 등 다양한 형식의 파일을 처리할 수 있습니다.

Apache Tika 설치

Maven을 사용하는 경우, pom.xml 파일에 다음 의존성을 추가하여 Apache Tika를 설치할 수 있습니다:

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>1.27</version>
</dependency>

Gradle을 사용하는 경우, build.gradle 파일에 다음 의존성을 추가할 수 있습니다:

implementation 'org.apache.tika:tika-core:1.27'

문서 파싱 및 메타데이터 추출

Apache Tika를 사용하여 문서를 파싱하고 메타데이터를 추출하는 간단한 예제를 살펴보겠습니다. 아래 코드는 Apache Tika를 사용하여 PDF 파일로부터 제목, 작성자, 생성 날짜 등과 같은 메타데이터를 추출하는 예제입니다.

import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.sax.BodyContentHandler;

import java.io.FileInputStream;
import java.io.InputStream;

public class TikaExample {
    public static void main(String[] args) {
        try {
            String filePath = "path/to/pdf/file.pdf";
            InputStream inputStream = new FileInputStream(filePath);
            Metadata metadata = new Metadata();
            BodyContentHandler handler = new BodyContentHandler();
            
            AutoDetectParser parser = new AutoDetectParser();
            parser.parse(inputStream, handler, metadata);
            
            System.out.println("Title: " + metadata.get("title"));
            System.out.println("Author: " + metadata.get("author"));
            System.out.println("Creation Date: " + metadata.get("Creation-Date"));
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

위 예제에서는 PDF 파일의 경로를 지정하고, 해당 파일을 FileInputStream으로 읽어들입니다. 그리고 Apache Tika의 AutoDetectParser를 사용하여 문서를 파싱하고, 추출한 메타데이터는 Metadata 객체에 저장됩니다. 마지막으로, 필요한 메타데이터를 출력하는 예제입니다.

추가적인 활용

Apache Tika는 다양한 기능을 제공하며, 데이터 가공에 활용될 수 있습니다. 예를 들어, 이미지 파일에서 텍스트를 추출하거나, 비디오 파일에서 썸네일 이미지를 생성하는 등 다양한 작업을 수행할 수 있습니다.

더 많은 활용 예제와 자세한 내용은 Apache Tika 공식 문서를 참조하시기 바랍니다.

Apache Tika는 데이터 가공을 위한 강력한 도구로서, 다양한 형식의 파일에서 유용한 정보를 추출하는 데 활용될 수 있습니다. 이를 통해 데이터 처리와 분석 작업을 더욱 효과적으로 수행할 수 있습니다.