Apache Tika 内容解析指南

1. 概述

Apache Tika 是一个强大的工具包，用于从各种文档类型（如 Word、Excel、PDF）甚至多媒体文件（如 JPEG、MP4）中提取内容和元数据。

所有基于文本和多媒体的文件都可以通过统一接口解析，这使得 Tika 成为内容分析领域的多功能利器。本文将介绍 Apache Tika 的核心功能，包括其解析 API 和文档类型自动检测机制，并通过实际示例演示库的使用方法。

2. 快速开始

使用 Apache Tika 解析文档只需添加一个 Maven 依赖：

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers</artifactId>
    <version>1.17</version>
</dependency>

最新版本可在 Maven 中央仓库查询。

3. 解析器 (Parser) API

解析器 API 是 Apache Tika 的核心，它封装了底层解析操作的复杂性。该 API 依赖一个核心方法：

void parse(
  InputStream stream, 
  ContentHandler handler, 
  Metadata metadata, 
  ParseContext context) 
  throws IOException, SAXException, TikaException

参数说明：

stream - 待解析文档的输入流
handler - 接收 XHTML SAX 事件的内容处理器，负责将事件转换为特定格式的输出
metadata - 传递解析器元数据属性的对象
context - 携带上下文信息的解析上下文，用于定制解析过程

⚠️ 异常处理：

IOException：输入流读取失败
TikaException：文档无法解析
SAXException：处理器事件处理失败

Tika 底层会复用 Apache POI 或 PDFBox 等现有解析库，因此大部分 Parser 实现类只是这些外部库的适配器。在后续章节中，我们将看到如何利用 handler 和 metadata 提取文档内容和元数据。

为简化操作，可直接使用门面类 Tika 访问解析器 API 的功能。

4. 自动检测机制

Apache Tika 能基于文档内容自动检测类型和语言，无需依赖额外信息。

4.1. 文档类型检测

文档类型检测通过 Detector 接口的实现类完成，其核心方法：

MediaType detect(java.io.InputStream input, Metadata metadata) 
  throws IOException

该方法接收文档及其元数据，返回表示文档类型的 MediaType 对象。检测器依赖以下信息源：

✅ Magic Bytes：文件开头的特殊字节模式（如 PDF 的 %PDF）
✅ 元数据属性：文档内置的元数据信息
✅ 委托检测：调用更专业的检测器

默认检测器的检测顺序：

优先使用 Magic Bytes
次选元数据属性
最后通过服务加载机制尝试所有可用检测器

4.2. 语言检测

Tika 还能在无元数据辅助的情况下识别文档语言。早期版本使用 LanguageIdentifier，但该类已被废弃，当前推荐使用基于 Web 服务的语言检测方案。

语言检测服务通过抽象类 LanguageDetector 的子类提供，可集成 Google Translate 或 Microsoft Translator 等在线翻译服务。由于篇幅限制，此处不展开详述。

5. 实战演练

本节通过实际示例演示 Tika 的核心功能。所有示例代码封装在以下工具类中：

public class TikaAnalysis {
    // 示例方法
}

5.1. 文档类型检测

使用 Detector 检测文档类型：

public static String detectDocTypeUsingDetector(InputStream stream) 
  throws IOException {
    Detector detector = new DefaultDetector();
    Metadata metadata = new Metadata();

    MediaType mediaType = detector.detect(stream, metadata);
    return mediaType.toString();
}

测试用例：类路径下有一个伪装成 .txt 的 PDF 文件 tika.txt（实际为 PDF 格式）

@Test
public void whenUsingDetector_thenDocumentTypeIsReturned() 
  throws IOException {
    InputStream stream = this.getClass().getClassLoader()
      .getResourceAsStream("tika.txt");
    String mediaType = TikaAnalysis.detectDocTypeUsingDetector(stream);

    assertEquals("application/pdf", mediaType);

    stream.close();
}

即使文件扩展名被篡改，Tika 仍能通过文件开头的 Magic Bytes 正确识别 PDF 类型。

更简洁的实现方式（使用 Tika 门面类）：

public static String detectDocTypeUsingFacade(InputStream stream) 
  throws IOException {
 
    Tika tika = new Tika();
    String mediaType = tika.detect(stream);
    return mediaType;
}

5.2. 内容提取

使用 Parser API 提取文档内容：

public static String extractContentUsingParser(InputStream stream) 
  throws IOException, TikaException, SAXException {
 
    Parser parser = new AutoDetectParser();
    ContentHandler handler = new BodyContentHandler();
    Metadata metadata = new Metadata();
    ParseContext context = new ParseContext();

    parser.parse(stream, handler, metadata, context);
    return handler.toString();
}

测试用例：类路径下的 Word 文档 tika.docx 包含以下内容：

Apache Tika - a content analysis toolkit
The Apache Tika™ toolkit detects and extracts metadata and text ...

验证提取结果：

@Test
public void whenUsingParser_thenContentIsReturned() 
  throws IOException, TikaException, SAXException {
    InputStream stream = this.getClass().getClassLoader()
      .getResourceAsStream("tika.docx");
    String content = TikaAnalysis.extractContentUsingParser(stream);

    assertThat(content, 
      containsString("Apache Tika - a content analysis toolkit"));
    assertThat(content, 
      containsString("detects and extracts metadata and text"));

    stream.close();
}

简化版实现（使用 Tika 门面类）：

public static String extractContentUsingFacade(InputStream stream) 
  throws IOException, TikaException {
 
    Tika tika = new Tika();
    String content = tika.parseToString(stream);
    return content;
}

5.3. 元数据提取

使用 Parser API 提取元数据：

public static Metadata extractMetadatatUsingParser(InputStream stream) 
  throws IOException, SAXException, TikaException {
 
    Parser parser = new AutoDetectParser();
    ContentHandler handler = new BodyContentHandler();
    Metadata metadata = new Metadata();
    ParseContext context = new ParseContext();

    parser.parse(stream, handler, metadata, context);
    return metadata;
}

测试用例：类路径下的 Excel 文件 tika.xlsx

@Test
public void whenUsingParser_thenMetadataIsReturned() 
  throws IOException, TikaException, SAXException {
    InputStream stream = this.getClass().getClassLoader()
      .getResourceAsStream("tika.xlsx");
    Metadata metadata = TikaAnalysis.extractMetadatatUsingParser(stream);

    assertEquals("org.apache.tika.parser.DefaultParser", 
      metadata.get("X-Parsed-By"));
    assertEquals("Microsoft Office User", metadata.get("Author"));

    stream.close();
}

简化版实现（使用 Tika 门面类）：

public static Metadata extractMetadatatUsingFacade(InputStream stream) 
  throws IOException, TikaException {
    Tika tika = new Tika();
    Metadata metadata = new Metadata();

    tika.parse(stream, metadata);
    return metadata;
}

6. 总结

本文系统介绍了 Apache Tika 的内容解析能力。通过 Parser 和 Detector API，我们可以实现：

✅ 自动检测文档类型
✅ 提取文档内容
✅ 解析文档元数据

对于高级场景，可通过自定义 Parser 和 Detector 实现更精细的解析控制。完整示例代码可在 GitHub 获取。

Persistence

REST

Security