Tika入门

Tika

官网：https://tika.apache.org/3.3.1/examples.html

引入依赖

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>3.2.3</version>
    <scope>compile</scope>
</dependency>
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers-standard-package</artifactId>
    <version>3.2.3</version>
    <scope>compile</scope>
</dependency>

tika-core 提供 API 层，tika-parsers-standard-package 包含所有主流格式的解析器实现。

示例

/**
 * 解析上传的文件，提取文本内容
 *
 * @param file 上传的文件（支持PDF、DOCX、DOC、TXT、MD等）
 * @return 提取的文本内容
 */
public String parseContent(MultipartFile file) {
    String fileName = file.getOriginalFilename();
    log.info("开始解析文件: {}", fileName);

    // 处理空文件
    if (file.isEmpty() || file.getSize() == 0) {
        log.warn("文件为空: {}", fileName);
        return "";
    }

    try (InputStream inputStream = file.getInputStream()) {
        String content = parseContent(inputStream);
        String cleanedContent = textCleaningService.cleanText(content);// 通过正则清洗和规范化文本
        log.info("文件解析成功，提取文本长度: {} 字符", cleanedContent.length());
        return cleanedContent;
    } catch (IOException | TikaException | SAXException e) {
        log.error("文件解析失败: {}", e.getMessage(), e);
        throw new BusinessException(ErrorCode.INTERNAL_ERROR, "文件解析失败: " + e.getMessage());
    }
}
 /**
 * 核心解析方法：使用显式 Parser + Context 方式解析文档
 * <p>
 * 优化点：
 * 1. 使用 BodyContentHandler 只提取正文内容
 * 2. 禁用 EmbeddedDocumentExtractor，不解析嵌入资源（图片、附件）
 * 3. 配置 PDFParserConfig，关闭图片和注释提取
 * 4. 显式指定 Parser 到 Context，增强健壮性
 *
 * @param inputStream 文件输入流
 * @return 提取的文本内容
 * @throws IOException     IO 异常
 * @throws TikaException   Tika 解析异常
 * @throws SAXException    SAX 解析异常
 */
private String parseContent(InputStream inputStream) throws IOException, TikaException, SAXException {
    // 1. 创建自动检测解析器
    AutoDetectParser parser = new AutoDetectParser();

    // 2. 创建内容处理器，只接收正文，限制最大长度为 5MB
    BodyContentHandler handler = new BodyContentHandler(MAX_TEXT_LENGTH);

    // 3. 创建元数据对象
    Metadata metadata = new Metadata();

    // 4. 创建解析上下文
    ParseContext context = new ParseContext();

    // 5. 显式指定 Parser 到 Context（增强健壮性）
    context.set(Parser.class, parser);

    // 6. 禁用嵌入文档解析（关键：避免提取图片引用和临时文件路径）
    context.set(EmbeddedDocumentExtractor.class, new NoOpEmbeddedDocumentExtractor());

    // 7. PDF 专用配置：关闭图片提取，按位置排序文本
    PDFParserConfig pdfConfig = new PDFParserConfig();
    pdfConfig.setExtractInlineImages(false);
    pdfConfig.setSortByPosition(true); // 按 x/y 坐标排序文本，改善多栏布局解析顺序
    // 注意：Tika 2.9.2 中 setExtractAnnotations 方法可能不存在，关闭图片提取已足够
    context.set(PDFParserConfig.class, pdfConfig);

    // 8. 执行解析
    parser.parse(inputStream, handler, metadata, context);

    // 9. 返回提取的文本内容
    return handler.toString();
}

一般文本提取之后，都需要进行二次清洗，比如通过正则表达式。