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

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>1.26</version>
</dependency>
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers</artifactId>
    <version>1.26</version>
</dependency>

三、创建文档解析服务

import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.sax.BodyContentHandler;
import org.springframework.stereotype.Service;
import org.apache.tika.metadata.Metadata;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;

/**
 * @ClassName：DocumentParserService
 * @Description: 创建文档解析服务
 * @Author: songwp
 * @Date: 2025/8/5 16:27
 */
@Service
public class DocumentParserService {

    /**
     * 解析文档内容
     * @param file
     * @return
     */
    public String parseDocument(File file) {
        StringBuilder content = new StringBuilder();
        try (InputStream stream = new FileInputStream(file)) {
            BodyContentHandler handler = new BodyContentHandler();
            Metadata metadata = new Metadata();
            AutoDetectParser parser = new AutoDetectParser();
            parser.parse(stream, handler, metadata);
            content.append(handler.toString());
        } catch (Exception e) {
            e.printStackTrace();
            content.append("Error: ").append(e.getMessage());
        }
        return content.toString();
    }
}

四、创建控制器类

import com.ruoyi.web.controller.tika.DocumentParserService;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.http.ResponseEntity;
import org.springframework.web.bind.annotation.PostMapping;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import org.springframework.web.multipart.MultipartFile;
import java.io.File;
import java.io.IOException;

/**
 * @ClassName：DocumentParserController
 * @Description: 解析文档的控制器
 * @Author: songwp
 * @Date: 2025/8/5 16:29
 */
@RestController
@RequestMapping("/api/documents")
public class DocumentParserController {

    @Autowired
    private DocumentParserService documentParserService;

    @PostMapping("/parse")
    public ResponseEntity<String> parseDocument(@RequestParam("file") MultipartFile file) {
        if (file.isEmpty()) {
            return ResponseEntity.badRequest().body("File is empty");
        }
        try {
            // 将上传的文件转换为临时文件
            File tempFile = File.createTempFile("document-", ".tmp");
            file.transferTo(tempFile);
            tempFile.deleteOnExit();

            // 调用文档解析服务解析文档内容
            String parsedContent = documentParserService.parseDocument(tempFile);
            return ResponseEntity.ok(parsedContent);
        } catch (IOException e) {
            e.printStackTrace();
            return ResponseEntity.status(500).body("Error: " + e.getMessage());
        }
    }
}

五、配置和运行

配置 Apache Tika 数据文件
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。
（1) Apache Tika 官方网站 下载合适的语言数据文件。
（2) 云盘数据下载：https://pan.baidu.com/s/13oPR2r7qOE6lt6SgbpWOQA 提取码: uaaw 

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、 文件格式支持
确保上传的文件是 Apache Tika 支持的格式，如 PDF、Word 文档、Excel 表格等。
2、优化解析性能
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。