Apache Tika 从入门到生产：一套 API 解析 PDF/Word/Excel/PPT/图片上千种格式（含 Spring Boot 封装与 OCR）

做企业开发的同学，大概率都碰到过这类需求：

做知识库 / RAG 系统：要把用户上传的 PDF、Word、PPT、甚至扫描件全部扒成纯文本，切块丢向量库；
做全文检索：文件服务器上几十万份文档，要统一建索引，能按关键词搜到内容；
做内容审核 / 合规审计：员工上传的附件里有没有敏感词？合同里有没有不合规条款？
做元数据归档：一份合同的作者是谁、哪天创建的、最后谁改的、多少页？

这类需求的共同点是：格式杂、数量大、写解析代码非常痛苦——

写 Word 用 POI，.doc 和 .docx 还不是一套 API；
写 PDF 用 PDFBox，加密 PDF 还得绕一圈；
写 Excel 又得换 Fesod/POI；碰到 HTML、RTF、压缩包、图片 OCR？
每多一种格式，就得多学一套库、多写一套分支，维护起来就是噩梦。

今天的主角 Apache Tika 就是来解决这个痛点的。它把上千种文件格式的解析能力封装成一套统一的 API，你不用管底层是 POI 还是 PDFBox，丢文件进去 → 出来就是 文本内容 + 元数据 + MIME 类型。

配合上一篇 Spring Boot + Apache Fesod 生产级 Excel 组件，你的项目就能形成完整的 “Excel 精细化读写 + 全格式文档内容解析” 闭环。

0）Apache Tika 是什么 & 为什么选它

0.1 一句话定位

Apache Tika 是 Apache 基金会旗下的开源内容分析工具包，能够自动检测上千种文件格式，并从中统一提取文本内容、元数据、语言类型。

你可以把 Tika 理解成文档解析界的 Facade 模式——底层仍然使用 POI、PDFBox、HtmlParser、Tesseract 这些成熟解析器，但上层给你一套 10 分钟就能上手的统一门面。

0.2 Tika 能解析什么？（1000+ 格式部分代表）

类别	支持的格式
办公文档	Word（.doc/.docx）、Excel（.xls/.xlsx，配合 Fesod/POI）、PowerPoint（.ppt/.pptx）、Visio、Outlook MSG、OpenDocument（ODT/ODS/ODP）、RTF
PDF	标准 PDF、加密 PDF（需密码）、带表单 PDF、PDF/A 归档版
网页与标记	HTML、XHTML、XML、JSON、YAML、Markdown
纯文本	.txt / .log / .csv（含自动编码识别）
压缩包	ZIP / TAR / GZIP / RAR / 7z（可递归解包提取内容）
邮件	.eml / .mbox / Outlook PST
图像 & OCR	JPEG / PNG / TIFF / BMP（能取 EXIF；配合 Tesseract 可 OCR 图片文字）
多媒体元数据	MP3 / FLAC（ID3 标签）、MP4 / MOV（音视频元信息）

0.3 核心三大能力

能力	说明
🔍 MIME 自动检测	不看后缀名，根据文件二进制 Magic Number + 内容特征判断真实类型，防改后缀名绕过
📝 内容提取	输出纯文本（也可输出 XHTML 结构化结果，保留标题、表格层次）
🏷️ 元数据提取	作者、标题、创建/修改时间、页数、分辨率、EXIF、Creator Tool 等几十种属性

额外可选能力：🌏 语言检测（中英文混排自动识别）、🖼️ OCR（Tesseract 集成）、🔗 递归解析（ZIP 里的 Word 直接扒出来）。

0.4 和”挨个用解析器”对比

维度	手写”if PDF, if Word, if Excel”	Apache Tika
支持格式	加一种格式加一套代码，维护爆炸	一套 API 通吃 1000+
MIME 检测	`fileName.endsWith(".pdf")` → 改后缀立刻翻车	Magic Number + 内容特征，真实类型 99%+ 准确
学习成本	POI、PDFBox、jsoup 每一套都要查文档	3 个核心类 + 2 个方法，10 分钟上手
升级兼容	每个解析器自己升版本，依赖冲突家常便饭	Tika 团队已经帮你把依赖对齐、避过坑了
企业 RAG/知识库场景	一个月搭不完 + 后续持续踩坑	引入依赖 → 写几十行 Service → 上线 🚀

一句话结论：只要你的系统需要解析 2 种以上的文档格式，Tika 就是 ROI 最高的选择。

1）环境准备：3 种引入方式按需选

Tika 的发布体系非常清晰，按场景选就行。

1.1 版本怎么挑？（截至 2026 Q3）

系列	最新版本	JDK 要求	推荐场景
2.9.x LTS	2.9.4	JDK 8+	生产环境首选，稳定、生态完善
3.3.x	3.3.2	JDK 11+	需要新特性，不追求极端稳定
4.0.0	4.0.0	JDK 17+	尝鲜用，2026/8 刚发 GA

✅ 本文示例统一用最稳的 2.9.4 + JDK 17，代码在 3.x 系列也完全兼容（只换版本号即可）。

1.2 方式一：极简依赖（核心 + 标准解析器，99% 项目用这个 ✅）

<properties>
    <tika.version>2.9.4</tika.version>
</properties>

<dependencies>
    <!-- Tika 核心门面：Tika 类、检测 API、基础解析接口 -->
    <dependency>
        <groupId>org.apache.tika</groupId>
        <artifactId>tika-core</artifactId>
        <version>${tika.version}</version>
    </dependency>

    <!-- 标准解析器集合（pom 类型，会传递引入 PDFBox/POI/HtmlParser 等） -->
    <dependency>
        <groupId>org.apache.tika</groupId>
        <artifactId>tika-parsers-standard-package</artifactId>
        <version>${tika.version}</version>
        <type>pom</type>
    </dependency>

    <!-- 可选：语言检测（中英文等自动识别） -->
    <dependency>
        <groupId>org.apache.tika</groupId>
        <artifactId>tika-langdetect-optimaize</artifactId>
        <version>${tika.version}</version>
    </dependency>

    <!-- 可选：SLF4J 日志，用你项目里现成的 -->
</dependencies>

⚠️ 依赖冲突提示：如果你的项目已经有 POI / PDFBox，建议升级到 Tika 同版本（可以去 Maven 看 tika-parsers-standard-package 的 parent POM 里锁定的版本号），避免 NoSuchMethodError。

1.3 方式二：Tika Server（微服务 / 非 Java 项目用）

如果你的主语言不是 Java（Python/Go/Node.js），或者要做”解析中心”供多个微服务调用，推荐直接用 Tika 提供的 REST 服务：

# 下载（版本号对应上面）
wget https://dlcdn.apache.org/tika/2.9.4/tika-server-standard-2.9.4.jar

# 启动（默认端口 9998）
java -Xmx2g -jar tika-server-standard-2.9.4.jar --port=9998

# 测试：上传一个文件拿内容
curl -T /path/to/report.pdf http://localhost:9998/tika

# 只拿元数据
curl -T /path/to/report.pdf http://localhost:9998/meta

Docker 部署（生产推荐，含 Tesseract OCR 语言包）：

1 2	`docker run -d -p 9998:9998 --name tika-server \ apache/tika:2.9.4.0-full`

1.4 方式三：命令行 / GUI 工具（排错 & 手工解析）

Tika 还提供了一个开箱即用的 tika-app JAR，本地人肉调试神器：

# 纯文本导出
java -jar tika-app-2.9.4.jar -t report.pdf > report.txt

# 元数据导出
java -jar tika-app-2.9.4.jar -m report.pdf

# 导出结构化 XHTML（保留标题、段落、表格结构）
java -jar tika-app-2.9.4.jar -x report.docx > report.xhtml

# 启动图形界面：拖拽文件进窗口即可查看
java -jar tika-app-2.9.4.jar -g

2）核心 API 速览：2 层用法，按需取用

Tika 设计了两层 API，简单场景 1 行搞定，复杂场景下到底层完全可控：

2.1 Facade 层（`new Tika()`）：10 行以内搞定一切，首推 🌟

// 线程安全！全项目就一个单例即可，别每次 new
Tika tika = new Tika();

// 1) 检测 MIME 类型（不读内容也行，但建议传 InputStream 更准）
String mime = tika.detect(new File("contract.pdf"));  // → application/pdf

// 2) 一把梭：拿纯文本内容
String text = tika.parseToString(new File("contract.pdf"));

// 3) 拿元数据（Metadata 是个 Map-like 对象）
Metadata metadata = new Metadata();
try (InputStream in = new FileInputStream("contract.pdf")) {
    String text2 = tika.parseToString(in, metadata);
    String author = metadata.get("dc:creator");       // 作者
    String pages = metadata.get("xmpTPg:NPages");     // 页数
}

2.2 Parser 层（`AutoDetectParser`）：精细控制（大文件 / OCR / 加密 PDF）

Facade 层底层就是走的 Parser 层，当你需要控制字符限制、密码、OCR 参数、解析器白名单时就直接用它：

AutoDetectParser parser = new AutoDetectParser();        // 自动检测格式 → 选对应解析器
BodyContentHandler handler = new BodyContentHandler(-1); // -1 = 无字符数上限（默认是 10w 字符截断，注意！）
Metadata metadata = new Metadata();
ParseContext context = new ParseContext();

// 示例：加密 PDF 传密码
// metadata.set(PDFParser.PASSWORD, "my-password");

// 示例：限制内存中字符数（防超大文件 OOM）
// BodyContentHandler handler = new BodyContentHandler(5_000_000);

try (InputStream in = TikaInputStream.get(new File("big.docx"))) {
    parser.parse(in, handler, metadata, context);
    String content = handler.toString();
    // metadata.get(...) 照常取
}

⚠️ 巨坑提示：BodyContentHandler 默认构造器有 100,000 字符上限，超过就直接截断！大文档务必传 -1 或你想要的上限。这是新手最高频翻车点。

下面所有实战，两个 API 都会给示例。

3）实战一：一键提取各种格式的纯文本（PDF / Word / Excel / PPT / HTML）

3.1 封装一个通用 `extractText` 方法（生产项目里写成工具类）

@Slf4j
public final class TikaUtil {

    // Tika 单例：线程安全，全局复用
    private static final Tika TIKA = new Tika();

    private TikaUtil() {}

    /**
     * 通用文本提取
     * @param file 任意格式文件
     * @return 纯文本内容（如果是扫描件会是空，需走 OCR 章节）
     */
    public static String extractText(File file) {
        try {
            return TIKA.parseToString(file);
        } catch (IOException | TikaException e) {
            log.error("提取文本失败: {}", file.getName(), e);
            throw new RuntimeException("文档解析失败", e);
        }
    }

    /**
     * 重载：InputStream
     */
    public static String extractText(InputStream in, String fileName) {
        try {
            Metadata meta = new Metadata();
            meta.set(Metadata.RESOURCE_NAME_KEY, fileName); // 给 Tika 个文件名提示，检测更准
            return TIKA.parseToString(in, meta);
        } catch (IOException | TikaException e) {
            log.error("提取文本失败: {}", fileName, e);
            throw new RuntimeException("文档解析失败", e);
        }
    }
}

3.2 一行用起来

public class Demo1_BasicFormats {
    public static void main(String[] args) {
        Stream.of(
                "合同.pdf",
                "需求说明.docx",
                "年度预算.xlsx",
                "产品路演.pptx",
                "公司简介.html",
                "README.md"
        ).forEach(name -> {
            File f = new File("/docs/" + name);
            String text = TikaUtil.extractText(f);
            System.out.println("===== " + name + " 前 200 字 =====");
            System.out.println(text.substring(0, Math.min(200, text.length())));
        });
    }
}

对 Excel 特别说明：Tika 拿出来的是所有 Sheet 拼起来的纯文本，适合内容索引；如果你需要按行、按列、带公式的精细化读写，配合上一篇的 Apache Fesod，两者各司其职。

3.3 进阶：拿结构化 XHTML（保留标题/表格/段落）

/**
 * 拿结构化 XHTML：标题会是 <h1><h2>，表格会是 <table>，方便后续切块做 RAG
 */
public static String extractXhtml(File file) {
    AutoDetectParser parser = new AutoDetectParser();
    // 注意：不是 BodyContentHandler，是 ToXMLContentHandler（或 XHTMLContentHandler）
    ToXMLContentHandler handler = new ToXMLContentHandler();
    Metadata metadata = new Metadata();
    try (InputStream in = TikaInputStream.get(file)) {
        parser.parse(in, handler, metadata, new ParseContext());
        return handler.toString();
    } catch (SAXException | TikaException | IOException e) {
        throw new RuntimeException("结构化解析失败", e);
    }
}

产出的 XHTML 交给 jsoup 或者直接正则切 </p>|<table>|</h\d>，做 RAG 的文档分块体验会好很多（不会把半句话切开）。

4）实战二：提取元数据（作者、页数、EXIF、创建时间……）

元数据在合规审计、文档管理系统里特别常用。Tika 把所有属性都放进 Metadata 这个 Map 里。

4.1 通用元数据提取 + 常用 Key 速查表

@Data
@Builder
public class DocMetaInfo {
    private String mime;
    private String title;
    private String author;
    private String creatorTool;   // Word 2021 / WPS / Pages 等
    private LocalDateTime createdTime;
    private LocalDateTime modifiedTime;
    private Integer pageCount;    // PDF/PPT/Word
    private Long wordCount;       // 部分文档才有
    private Map<String, String> raw; // 原始 KV，方便排查
}

public class DocMetaExtractor {

    private static final DateTimeFormatter FMT = DateTimeFormatter.ISO_DATE_TIME;

    public static DocMetaInfo extract(File file) {
        Metadata meta = new Metadata();
        // 只拿元数据不拿文本，ContentHandler 给空的即可
        try (InputStream in = TikaInputStream.get(file)) {
            new AutoDetectParser().parse(in, new DefaultHandler(), meta, new ParseContext());
        } catch (Exception e) {
            throw new RuntimeException("元数据提取失败", e);
        }

        DocMetaInfo.DocMetaInfoBuilder b = DocMetaInfo.builder()
                .mime(meta.get(Metadata.CONTENT_TYPE))
                .title(meta.get(Metadata.TITLE))
                .author(meta.get("dc:creator"))                  // 作者
                .creatorTool(meta.get("xmp:CreatorTool"))        // 制作工具
                .pageCount(parseIntOrNull(meta.get("xmpTPg:NPages")))
                .wordCount(parseLongOrNull(meta.get("meta:word-count")))
                .raw(toMap(meta));

        // 时间标准化（各种格式 Tika 一般输出 ISO）
        String created = meta.get("dcterms:created");
        String modified = meta.get("dcterms:modified");
        if (created != null)  b.createdTime(safeParse(created));
        if (modified != null) b.modifiedTime(safeParse(modified));
        return b.build();
    }

    private static Map<String, String> toMap(Metadata meta) {
        Map<String, String> m = new LinkedHashMap<>();
        for (String name : meta.names()) m.put(name, meta.get(name));
        return m;
    }

    private static LocalDateTime safeParse(String s) {
        try { return LocalDateTime.parse(s.replace("Z", ""), FMT); }
        catch (Exception ignore) { return null; }
    }
    private static Integer parseIntOrNull(String s) {
        try { return s == null ? null : Integer.parseInt(s); }
        catch (Exception ignore) { return null; }
    }
    private static Long parseLongOrNull(String s) {
        try { return s == null ? null : Long.parseLong(s); }
        catch (Exception ignore) { return null; }
    }
}

4.2 常用元数据 Key 对照表（查资料省半天）

含义	Key	示例值
MIME 类型	`Content-Type`	`application/pdf`
标题	`dc:title` / `title`	2026 Q3 采购合同
作者	`dc:creator` / `meta:author`	张三
最后修改者	`dc:contributor` / `meta:last-author`	李四
制作工具	`xmp:CreatorTool`	Microsoft® Word 2021
创建时间	`dcterms:created`	2026-08-01T03:12:45Z
修改时间	`dcterms:modified`	2026-09-15T08:05:10Z
页数（PDF/PPT）	`xmpTPg:NPages`	23
字数	`meta:word-count`	15320
PDF 是否加密	`pdf:encrypted`	false
图片 EXIF 拍摄时间	`exif:DateTimeOriginal`	2026-05-01T14:30:00
图片宽高	`tiff:ImageWidth` / `tiff:ImageLength`	3840 / 2160
语言	`dc:language` / `Content-Language`	zh-CN

💡 小技巧：调试时直接把 metadata.names() 全打出来，因为不同格式的 Key 名不完全一致。PDF 一般 pdf: 前缀，Office 有 meta: / extended-properties:，EXIF 是 exif:。

5）实战三：MIME 类型检测（防改后缀绕过安全规则）

只靠 fileName.endsWith(".pdf") 判断格式是系统常见漏洞——把 evil.exe 改成 contract.pdf 上传就能混过检查。Tika 用文件头 Magic Number + 内容启发式判断，更靠谱。

5.1 一行检测，支持 3 种入参

public class MimeDetectDemo {
    private static final Tika TIKA = new Tika();

    public static void main(String[] args) throws IOException {
        // 1) 最快：只看文件头 Magic Number
        String mime1 = TIKA.detect(new File("/tmp/看起来像PDF其实是EXE.pdf"));
        System.out.println(mime1); // → application/x-dosexec （不会被骗成 PDF）

        // 2) 更准：配合文件名提示（有些格式 Magic Number 重合，比如 doc/ppt/xls）
        Metadata meta = new Metadata();
        meta.set(Metadata.RESOURCE_NAME_KEY, "报表.xlsx");
        try (InputStream in = new FileInputStream("file")) {
            String mime2 = TIKA.detect(in, meta);
        }

        // 3) 直接用 byte[]（适合 MultipartFile 拿字节）
        byte[] bytes = Files.readAllBytes(Path.of("a"));
        String mime3 = TIKA.detect(bytes);

        // 典型值对照
        // .docx → application/vnd.openxmlformats-officedocument.wordprocessingml.document
        // .xlsx → application/vnd.openxmlformats-officedocument.spreadsheetml.sheet
        // .pdf  → application/pdf
        // .png  → image/png
        // .zip  → application/zip
    }
}

5.2 在 Spring MVC 上传里直接用

@PostMapping("/upload")
public R<String> upload(@RequestParam("file") MultipartFile file) throws IOException {
    String realMime = new Tika().detect(file.getBytes(), file.getOriginalFilename());

    // 只允许白名单格式
    Set<String> allow = Set.of(
            "application/pdf",
            "application/vnd.openxmlformats-officedocument.wordprocessingml.document",
            "application/vnd.openxmlformats-officedocument.spreadsheetml.sheet"
    );
    if (!allow.contains(realMime)) {
        return R.fail("文件类型非法，真实类型: " + realMime);
    }

    // ... 后续处理
    return R.ok("ok");
}

这就把”改后缀名绕过”这条路堵死了，合规审查加分项 ✅。

6）实战四：OCR 识别扫描件 / 图片文字（Tesseract 集成）

现实中很多 PDF 本质是一堆扫描图片（比如合同扫描件、发票、票据），Tika 正常解析出来是空文本。这时候就需要 Tesseract OCR 引擎出马。

6.1 先装 Tesseract（Tika 只是调用它，不自带）

OS	命令
macOS	`brew install tesseract tesseract-lang`（tesseract-lang 含中文包 chi_sim）
Ubuntu/Debian	`sudo apt install tesseract-ocr tesseract-ocr-chi-sim`
RHEL/CentOS	`sudo yum install tesseract tesseract-langpack-chi-sim`（先加 EPEL 源）
Windows	去 UB-Mannheim 镜像下载安装包，勾选”中文简体”

验证是否装对：

1 2	`tesseract --version # 应该能看到版本号 tesseract --list-langs # 要能看到 chi_sim（中文简体）、eng（英文）`

6.2 Java 端一行开启 OCR（Tika 2.x 自动发现 Tesseract）

Tika 会自动去 PATH 里找 tesseract 可执行文件，找到就会对图片/扫描 PDF 自动走 OCR。所以只要环境装好了，代码完全不用改 —— 还是之前那套 parseToString！

public class OcrDemo {
    public static void main(String[] args) throws Exception {
        Tika tika = new Tika();

        // 1) 普通图片 OCR
        String text1 = tika.parseToString(new File("发票扫描件.jpg"));
        System.out.println(text1);

        // 2) 扫描版 PDF（每页都是图片，Tika 会拆出来每页 OCR 再拼）
        String text2 = tika.parseToString(new File("合同扫描件.pdf"));

        // 3) 如果 PATH 里找不到 tesseract，或者想指定语言，手动在 ParseContext 里配
        TesseractOCRConfig ocrConfig = new TesseractOCRConfig();
        ocrConfig.setTesseractPath("/opt/homebrew/bin");  // 指定安装路径
        ocrConfig.setLanguage("chi_sim+eng");              // 中文简体 + 英文混排
        ParseContext ctx = new ParseContext();
        ctx.set(TesseractOCRConfig.class, ocrConfig);

        AutoDetectParser parser = new AutoDetectParser();
        BodyContentHandler handler = new BodyContentHandler(-1);
        try (InputStream in = TikaInputStream.get(new File("中文合同扫描.pdf"))) {
            parser.parse(in, handler, new Metadata(), ctx);
            System.out.println(handler.toString());
        }
    }
}

6.3 OCR 常见坑

坑	解决
OCR 出来全是乱码	没装中文语言包，`tesseract --list-langs` 看有没有 `chi_sim`
识别特别慢	1) 图片先压缩到 150~200 DPI；2) 调 `ocrConfig.setPageSegMode(6)`（假设一页一个均匀文本块）
表格识别错位	OCR 对表格天然弱，建议配合 `PaddleOCR` / `TableTransformer` 做专门表格提取，Tika OCR 适合正文
Tesseract 不是最新	macOS brew 的版本经常落后，生产环境推荐用官方 Docker `apache/tika:full`，已经配好

7）实战五：Spring Boot 封装”文档解析服务”（直接搬到项目里）

前面的工具类 + 自动检测 + OCR，封装成一个 Spring Service，以后任何模块要解析文件就 @Autowired DocumentParserService 一行。

7.1 配置类：Tika Bean + 可选 OCR 配置

@Configuration
public class TikaAutoConfig {

    /**
     * Tika 单例（线程安全，全局共享）
     */
    @Bean
    public Tika tika() {
        return new Tika();
    }

    /**
     * 如果你的项目里 OCR 需求频繁，定制一下 OCR 参数
     */
    @Bean
    @ConditionalOnProperty(name = "tika.ocr.enabled", havingValue = "true")
    public TesseractOCRConfig ocrConfig(
            @Value("${tika.ocr.tesseract-path:}") String tesseractPath,
            @Value("${tika.ocr.language:chi_sim+eng}") String language) {
        TesseractOCRConfig cfg = new TesseractOCRConfig();
        if (StrUtil.isNotBlank(tesseractPath)) cfg.setTesseractPath(tesseractPath);
        cfg.setLanguage(language);
        return cfg;
    }
}

7.2 业务 Service：解析 + 入库 + 建索引一把梭

@Slf4j
@Service
@RequiredArgsConstructor
public class DocumentParserService {

    private final Tika tika;
    private final ObjectProvider<TesseractOCRConfig> ocrConfigProvider; // 可能没装 OCR
    private final DocIndexMapper docIndexMapper;         // 你的 ES / MySQL Mapper
    private final ApplicationEventPublisher publisher;   // 解析完成后发事件

    /**
     * 允许的 MIME 白名单
     */
    private static final Set<String> ALLOW_MIME = Set.of(
            "application/pdf",
            "application/msword",
            "application/vnd.openxmlformats-officedocument.wordprocessingml.document",
            "application/vnd.ms-excel",
            "application/vnd.openxmlformats-officedocument.spreadsheetml.sheet",
            "application/vnd.ms-powerpoint",
            "application/vnd.openxmlformats-officedocument.presentationml.presentation",
            "text/plain", "text/html", "text/markdown"
    );

    /**
     * 对外入口：上传文件 → 校验 MIME → 解析 → 落库 → 发事件
     */
    @Async("docParseExecutor")
    public void parseAndSave(Long docId, MultipartFile file) throws IOException {
        // 1) MIME 检测（白名单）
        String realMime = tika.detect(file.getBytes(), file.getOriginalFilename());
        if (!ALLOW_MIME.contains(realMime)) {
            throw new IllegalArgumentException("不支持的文件类型: " + realMime);
        }

        // 2) 解析内容 + 元数据
        ParseContext ctx = new ParseContext();
        ocrConfigProvider.ifAvailable(cfg -> ctx.set(TesseractOCRConfig.class, cfg));

        AutoDetectParser parser = new AutoDetectParser();
        BodyContentHandler handler = new BodyContentHandler(-1);
        Metadata meta = new Metadata();
        meta.set(Metadata.RESOURCE_NAME_KEY, file.getOriginalFilename());

        try (InputStream in = TikaInputStream.get(file.getBytes())) {
            parser.parse(in, handler, meta, ctx);
        } catch (SAXException | TikaException e) {
            throw new RuntimeException("文档解析失败", e);
        }

        String content = handler.toString();
        DocMetaInfo docMeta = DocMetaExtractor.extractFromMeta(meta); // 复用第 4 章的工具

        if (StrUtil.isBlank(content) && realMime.startsWith("image/")) {
            log.warn("文档为空内容，可能是扫描件: docId={}", docId);
        }

        // 3) 落库 / 发事件（ES 索引、RAG 切块 都在监听器里做，解耦）
        docIndexMapper.updateParsed(docId, realMime, content.length(), docMeta,
                // 内容很长建议分库存储或存对象存储
                StrUtil.maxLength(content, 50_000));

        publisher.publishEvent(new DocParsedEvent(docId, content, realMime, docMeta));
        log.info("✅ 文档解析完成 docId={}, mime={}, 字符数={}", docId, realMime, content.length());
    }
}

7.3 application.yml 配置

tika:
  ocr:
    enabled: true                      # 本地没装 tesseract 就设 false
    language: chi_sim+eng              # 中文简体+英文混排
    # tesseract-path: /opt/homebrew/bin  # 不在 PATH 里时手动指定

spring:
  task:
    execution:
      pool:
        # 解析是 CPU 密集型，不要太大
        thread-name-prefix: doc-parse-
        core-size: 4
        max-size: 8
        queue-capacity: 200

8）生产环境避坑清单 ⚠️（踩一次调 3 天）

坑	现象	解决方案
BodyContentHandler 默认截断 10w 字符	长文档后半段内容丢失	一定用 `new BodyContentHandler(-1)`，不要用默认构造器
Tika 实例反复 new	性能差、GC 频繁、解析器重复初始化	全局单例 Bean，Tika 是线程安全的
POI / PDFBox 版本冲突	`NoSuchMethodError` / `ClassNotFoundException`	引入 `tika-parsers-standard-package` 的 pom，把自己项目里老的 `poi-ooxml` / `pdfbox` 升到 Tika 对齐的版本，或直接 `exclusions` 排除
超大文件 OOM	200MB+ PDF 解析到内存爆炸	1) 用 `TikaInputStream` 包装 File（不走 byte[]）；2) 设置 BodyContentHandler 字符上限；3) 超过阈值的文件单独丢 Tika Server 集群处理
加密 PDF 直接抛异常	`EncryptedDocumentException`	先 `metadata.set(PDFParser.PASSWORD, pwd)` 再 parse；也可以在 catch 里友好提示”请先解密”
Excel 解析”丢数据”	公式、图表、批注没出来	Tika 对 Excel 是”全量文本抓取”，不负责公式计算和格式；精细化业务还是用 Fesod
中文 OCR 全问号/乱码	扫描件出来一堆 `???`	1) 没装 `chi_sim` 语言包；2) `setLanguage("chi_sim+eng")`
Zip 炸弹 / 超大压缩包	`recursive` 解析时解压出几十 GB 塞满磁盘	配置 `ZipParser` 的 `maxExtractSize`、`maxMemoryBytes`，或干脆禁用递归解压
Tika Server 连接超时	大文件 / OCR 跑几十秒	客户端把 readTimeout 调到 60s~300s；服务端 `-Xmx` 至少 2g

9）总结 & 学习资源

9.1 能力全景回顾

本篇讲了 Tika 的 5 个核心实战能力 + 1 套 Spring 生产封装：

场景	核心代码入口	章节
任意格式 → 纯文本	`Tika.parseToString()`	实战一
任意格式 → 结构化 XHTML	`ToXMLContentHandler`	实战一 3.3
元数据提取（作者/页数/时间…）	`Metadata` + 常用 Key 表	实战二
MIME 真实类型检测（防改后缀）	`Tika.detect()`	实战三
扫描件 / 图片 OCR	Tesseract 安装 + `TesseractOCRConfig`	实战四
Spring Boot 通用服务	`DocumentParserService` + 异步 + 事件	实战五

9.2 和 Fesod 的分工配合（划重点）

很多同学纠结：Tika 能解析 Excel，那还要 Fesod 吗？ 答案是 两者都要，分工不同：

维度	Apache Tika	Apache Fesod
定位	全格式内容索引（1000+ 种格式一把梭）	Excel 精细化读写（只专注电子表格）
Excel 输出	纯文本拼接、不带公式结果	按行按列、批注、合并单元格、样式全保留
写 Excel	❌ 不支持	✅ 链式 API + 模板填充 + 多 Sheet
大文件批量导入导出	❌ 不适合（没有分批入库监听器）	✅ 流式读 + 分批写 + 错误报告
适用场景	知识库、全文搜索、合规审计、RAG 文档解析	业务系统的”用户导入/报表导出”

配合起来就是：

用户上传一份 Excel → Fesod 做精细化导入（校验字段、分批入库、错误报告）；
同时丢给 Tika 做全文索引（用户在搜索框输入关键词，能搜到这份 Excel 里的内容）。

9.3 官方学习资源

资源	地址
Tika 官网	https://tika.apache.org/
官方文档（Getting Started）	https://tika.apache.org/2.9.4/gettingstarted.html
GitHub 源码 & Examples	https://github.com/apache/tika
解析器支持矩阵（最全格式清单）	https://tika.apache.org/2.9.4/formats.html
Tika Server Docker	`apache/tika`（官方镜像，`full` 标签带 OCR）

掌握本篇内容，以后再碰到**”把这堆各种格式的文档都给我解析了建索引”** 这种需求，再也不用熬夜写 if-else 了 🚀。下一篇打算讲 “Tika + Milvus + Spring AI 搭一套可落地的企业 RAG 知识库”，解析、切块、向量化、检索、问答全链路打通，欢迎关注～

技术

#Java #Apache Tika #文档解析 #RAG #OCR

Apache Tika 从入门到生产：一套 API 解析 PDF/Word/Excel/PPT/图片上千种格式（含 Spring Boot 封装与 OCR）

https://www.pcboy.com.cn/2026/09/30/Apache-Tika-从入门到生产：一套API解析千种格式/

作者

chituer

发布于

2026年9月30日

许可协议

Tika + Milvus + Spring AI 搭建企业级 RAG 知识库（解析→切块→向量化→检索→问答一条龙可落地）上一篇

Spring Boot + Apache Fesod 实战：打造生产级 Excel 导入导出通用组件（异步任务 + 错误报告 + 模板填充一条龙）下一篇

Apache Tika 从入门到生产：一套 API 解析 PDF/Word/Excel/PPT/图片上千种格式（含 Spring Boot 封装与 OCR）

0）Apache Tika 是什么 & 为什么选它

0.1 一句话定位

0.2 Tika 能解析什么？（1000+ 格式部分代表）

0.3 核心三大能力

0.4 和”挨个用解析器”对比

1）环境准备：3 种引入方式按需选

1.1 版本怎么挑？（截至 2026 Q3）

1.2 方式一：极简依赖（核心 + 标准解析器，99% 项目用这个 ✅）

1.3 方式二：Tika Server（微服务 / 非 Java 项目用）

1.4 方式三：命令行 / GUI 工具（排错 & 手工解析）

2）核心 API 速览：2 层用法，按需取用

2.1 Facade 层（new Tika()）：10 行以内搞定一切，首推 🌟

2.2 Parser 层（AutoDetectParser）：精细控制（大文件 / OCR / 加密 PDF）

3）实战一：一键提取各种格式的纯文本（PDF / Word / Excel / PPT / HTML）

3.1 封装一个通用 extractText 方法（生产项目里写成工具类）

3.2 一行用起来

3.3 进阶：拿结构化 XHTML（保留标题/表格/段落）

4）实战二：提取元数据（作者、页数、EXIF、创建时间……）

4.1 通用元数据提取 + 常用 Key 速查表

4.2 常用元数据 Key 对照表（查资料省半天）

5）实战三：MIME 类型检测（防改后缀绕过安全规则）

5.1 一行检测，支持 3 种入参

5.2 在 Spring MVC 上传里直接用

6）实战四：OCR 识别扫描件 / 图片文字（Tesseract 集成）

6.1 先装 Tesseract（Tika 只是调用它，不自带）

6.2 Java 端一行开启 OCR（Tika 2.x 自动发现 Tesseract）

6.3 OCR 常见坑

7）实战五：Spring Boot 封装”文档解析服务”（直接搬到项目里）

7.1 配置类：Tika Bean + 可选 OCR 配置

7.2 业务 Service：解析 + 入库 + 建索引一把梭

7.3 application.yml 配置

8）生产环境避坑清单 ⚠️（踩一次调 3 天）

9）总结 & 学习资源

9.1 能力全景回顾

9.2 和 Fesod 的分工配合（划重点）

9.3 官方学习资源

2.1 Facade 层（`new Tika()`）：10 行以内搞定一切，首推 🌟

2.2 Parser 层（`AutoDetectParser`）：精细控制（大文件 / OCR / 加密 PDF）

3.1 封装一个通用 `extractText` 方法（生产项目里写成工具类）