Spring Boot + Apache Tika 实现文档内容解析

一、Tika简介
Apache Tika 是由 Apache软件基金会 开发的开源文档处理工具，基于 Java 语言实现，支持自动检测并解析超过1000种文件
格式（如PDF、Office文档、多媒体文件等），提取元数据、结构化文本内容及语言属性，为搜索引擎和内容索引工具提供统一接口。 
核心功能

• ‌文档类型识别‌：通过文件头字节、文件名扩展及容器格式深度解析多重检测机制确定文件类型。
  
• ‌元数据提取‌：获取文件作者、创建时间、修改日期、标题等元数据信息。 ‌
  
• ‌文本提取‌：去除HTML标记并提取纯文本内容，支持流式处理大文件以避免内存溢出。 ‌
  
• ‌语言检测‌：识别文本使用的语言（如中文、英文、法文）。 ‌
  
• ‌媒体元数据提取‌：支持音频/视频文件的分辨率、时长、编码格式等信息的提取。 
  

二、添加 Apache Tika 依赖

1. <dependency>
2.     <groupId>org.apache.tika</groupId>
3.     tika-core</artifactId>
4.     <version>1.26</version>
5. </dependency>
6. <dependency>
7.     <groupId>org.apache.tika</groupId>
8.     tika-parsers</artifactId>
9.     <version>1.26</version>
10. </dependency>

复制代码

三、创建文档解析服务

1. import org.apache.tika.parser.AutoDetectParser;
2. import org.apache.tika.sax.BodyContentHandler;
3. import org.springframework.stereotype.Service;
4. import org.apache.tika.metadata.Metadata;
5. import java.io.File;
6. import java.io.FileInputStream;
7. import java.io.InputStream;
9. /**
10. * @ClassName：DocumentParserService
11. * @Description: 创建文档解析服务
12. * @Author: songwp
13. * @Date: 2025/8/5 16:27
14. */
15. @Service
16. public class DocumentParserService {
18.     /**
19.      * 解析文档内容
20.      * @param file
21.      * @return
22.      */
23.     public String parseDocument(File file) {
24.         StringBuilder content = new StringBuilder();
25.         try (InputStream stream = new FileInputStream(file)) {
26.             BodyContentHandler handler = new BodyContentHandler();
27.             Metadata metadata = new Metadata();
28.             AutoDetectParser parser = new AutoDetectParser();
29.             parser.parse(stream, handler, metadata);
30.             content.append(handler.toString());
31.         } catch (Exception e) {
32.             e.printStackTrace();
33.             content.append("Error: ").append(e.getMessage());
34.         }
35.         return content.toString();
36.     }
37. }

复制代码

四、创建控制器类

1. import com.ruoyi.web.controller.tika.DocumentParserService;
2. import org.springframework.beans.factory.annotation.Autowired;
3. import org.springframework.http.ResponseEntity;
4. import org.springframework.web.bind.annotation.PostMapping;
5. import org.springframework.web.bind.annotation.RequestMapping;
6. import org.springframework.web.bind.annotation.RequestParam;
7. import org.springframework.web.bind.annotation.RestController;
8. import org.springframework.web.multipart.MultipartFile;
9. import java.io.File;
10. import java.io.IOException;
12. /**
13. * @ClassName：DocumentParserController
14. * @Description: 解析文档的控制器
15. * @Author: songwp
16. * @Date: 2025/8/5 16:29
17. */
18. @RestController
19. @RequestMapping("/api/documents")
20. public class DocumentParserController {
22.     @Autowired
23.     private DocumentParserService documentParserService;
25.     @PostMapping("/parse")
26.     public ResponseEntity<String> parseDocument(@RequestParam("file") MultipartFile file) {
27.         if (file.isEmpty()) {
28.             return ResponseEntity.badRequest().body("File is empty");
29.         }
30.         try {
31.             // 将上传的文件转换为临时文件
32.             File tempFile = File.createTempFile("document-", ".tmp");
33.             file.transferTo(tempFile);
34.             tempFile.deleteOnExit();
36.             // 调用文档解析服务解析文档内容
37.             String parsedContent = documentParserService.parseDocument(tempFile);
38.             return ResponseEntity.ok(parsedContent);
39.         } catch (IOException e) {
40.             e.printStackTrace();
41.             return ResponseEntity.status(500).body("Error: " + e.getMessage());
42.         }
43.     }
44. }

复制代码

五、配置和运行

1. 配置 Apache Tika 数据文件
2. 确保你的项目根目录有一个 tessdata 文件夹，其中包含 Apache Tika 的数据文件。
3. （1) Apache Tika 官方网站 下载合适的语言数据文件。
4. （2) 云盘数据下载：https://pan.baidu.com/s/13oPR2r7qOE6lt6SgbpWOQA 提取码: uaaw

复制代码

六、测试与验证
（1)以下是准备的文档内容截图

 (2) tika文档内容解析如下：

 七、注意事项

1. 1、 文件格式支持
2. 确保上传的文件是 Apache Tika 支持的格式，如 PDF、Word 文档、Excel 表格等。
3. 2、优化解析性能
4. 针对大文件和复杂格式的文档，可能需要优化解析性能。可以考虑使用异步处理、文件流处理等技术来提升解析速度和稳定性。

复制代码

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！