Spring Boot 整合 Apache Tika 實現文件類型檢測與內容提取
作者：一安
在實際開發中，我們經常需要處理各類文件（如PDF、Word、Excel、圖片等），核心需求包括識別文件真實類型（避免后綴名欺騙）和提取文件內容/元數據（如文檔正文、創建時間、作者）。Apache Tika作為Apache基金會的開源項目，能高效解決這些問題，且無需手動編寫不同格式的解析邏輯。
前言
在實際開發中，我們經常需要處理各類文件（如PDF、Word、Excel、圖片等），核心需求包括識別文件真實類型（避免后綴名欺騙）和提取文件內容/元數據（如文檔正文、創建時間、作者）。Apache Tika作為Apache基金會的開源項目，能高效解決這些問題，且無需手動編寫不同格式的解析邏輯。
核心概念
在整合前，先明確Tika的3個核心組件，理解其工作原理：
Detector（檢測器）：負責識別文件的真實類型，支持通過文件頭、字節流、擴展名等多維度檢測，避免 “后綴名篡改” 導致的類型誤判。Parser（解析器）：根據Detector識別的文件類型，調用對應的解析器提取文件內容（如文本）和元數據（如文件大小、修改時間），Tika內置了PDF、Office、XML等格式的解析器。Metadata（元數據）：存儲文件的結構化信息，分為內置元數據（如Metadata.CONTENT_ENCODING、Metadata.CONTENT_TYPE）和自定義元數據（如文檔作者、版本號）。
案例
依賴添加
Tika依賴較多解析庫（如POI、PDFBox），可能與項目中已有的依賴沖突（如POI版本不一致），手動排除即可。
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-core</artifactId>
<version>2.9.2</version>
</dependency>
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-parsers-standard-package</artifactId>
<version>2.9.2</version>
</dependency>配置 Tika Bean
為避免重復創建Tika實例（提升性能），支持自定義配置（如超時時間、解析器優先級）：
@Configuration
public class TikaSelfConfig {
/**
* 全局Tika實例（用于文件類型檢測）
*/
@Bean
public Tika tika() throws TikaException, IOException, SAXException {
// 自定義Tika配置：設置文件類型檢測超時時間（5秒）
TikaConfig config = new TikaConfig();
return new org.apache.tika.Tika(config) {
@Override
public String detect(java.io.InputStream stream, Metadata metadata) {
try {
// 超時控制：避免解析超大文件阻塞
return super.detect(new TimeoutInputStream(stream, 5000), metadata);
} catch (IOException e) {
throw new RuntimeException("文件類型檢測超時（超過5秒）", e);
}
}
};
}
/**
* 自動檢測解析器（用于內容提取）
*/
@Bean
public Parser autoDetectParser() {
// AutoDetectParser會根據文件類型自動選擇解析器
return new AutoDetectParser();
}
// 注冊自定義解析器（在TikaConfig中添加）
@Bean
public Parser customParser() {
return new CustomCsvParser();
}
}
public class TimeoutInputStream extends InputStream {
private final InputStream delegate;
private final long timeoutMillis;
private long lastReadTime;
public TimeoutInputStream(InputStream delegate, long timeoutMillis) {
this.delegate = delegate;
this.timeoutMillis = timeoutMillis;
this.lastReadTime = System.currentTimeMillis();
}
@Override
public int read() throws IOException {
checkTimeout();
int data = delegate.read();
if (data != -1) {
lastReadTime = System.currentTimeMillis();
}
return data;
}
private void checkTimeout() throws IOException {
long elapsed = System.currentTimeMillis() - lastReadTime;
if (elapsed > timeoutMillis) {
throw new IOException("Stream read timeout (elapsed: " + elapsed + "ms)");
}
}
// 重寫其他read方法（read(byte[]), read(byte[], int, int)），邏輯類似
}功能 1：文件類型檢測
@Service
public class TikaFileDetectService {
private final Tika tika;
// 注入全局Tika Bean
public TikaFileDetectService(Tika tika) {
this.tika = tika;
}
/**
* 1. 基于MultipartFile（文件流）檢測真實類型（推薦）
* @param file 上傳的文件
* @return 真實MIME類型（如image/jpeg、application/pdf）
*/
public String detectFileByStream(MultipartFile file) throws IOException {
if (file.isEmpty()) {
throw new IllegalArgumentException("文件不能為空");
}
// 元數據：可添加文件名輔助檢測（非必需，但能提升準確率）
Metadata metadata = new Metadata();
metadata.add(TikaCoreProperties.RESOURCE_NAME_KEY, file.getOriginalFilename());
// 通過文件流檢測（Tika會讀取文件頭字節，不依賴后綴名）
try (InputStream inputStream = file.getInputStream()) {
return tika.detect(inputStream, metadata);
}
}
/**
* 2. 基于字節數組檢測（適用于小文件/內存中的文件）
* @param bytes 文件字節數組
* @param fileName 文件名（輔助檢測）
* @return 真實MIME類型
*/
public String detectFileByBytes(byte[] bytes, String fileName) {
if (bytes == null || bytes.length == 0) {
throw new IllegalArgumentException("字節數組不能為空");
}
return tika.detect(bytes, Metadata.TIKA_MIME_FILE);
}
/**
* 3. 基于擴展名檢測（僅作輔助，準確率低）
* @param fileName 文件名（如test.pdf）
* @return 推測的MIME類型
*/
public String detectFileByExtension(String fileName) {
return tika.detect(fileName);
}
}功能 2：文件內容與元數據提取
@Service
public class TikaContentExtractService {
private final Parser autoDetectParser;
// 注入自動檢測解析器
public TikaContentExtractService(Parser autoDetectParser) {
this.autoDetectParser = autoDetectParser;
}
/**
* 提取文件的文本內容（支持PDF、Word、Excel等）
* @param file 上傳的文件
* @return 提取的純文本
*/
public String extractText(MultipartFile file) throws Exception {
if (file.isEmpty()) {
throw new IllegalArgumentException("文件不能為空");
}
// 1. 內容處理器：BodyContentHandler用于接收文本內容，設置容量（避免大文件OOM）
ContentHandler contentHandler = new BodyContentHandler(10 * 1024 * 1024); // 10MB上限
// 2. 元數據：存儲文件的結構化信息
Metadata metadata = new Metadata();
metadata.add(TikaCoreProperties.RESOURCE_NAME_KEY, file.getOriginalFilename());
// 3. 解析上下文：用于傳遞解析器所需的額外信息（如密碼，適用于加密文件）
ParseContext parseContext = new ParseContext();
parseContext.set(Parser.class, autoDetectParser); // 綁定當前解析器
// 4. 解析文件并提取內容
try (InputStream inputStream = file.getInputStream()) {
autoDetectParser.parse(inputStream, contentHandler, metadata, parseContext);
return contentHandler.toString();
}
}
/**
* 提取文件的元數據（如創建時間、作者、文件大小）
* @param file 上傳的文件
* @return 元數據鍵值對（格式化輸出）
*/
public String extractMetadata(MultipartFile file) throws Exception {
Metadata metadata = new Metadata();
ParseContext parseContext = new ParseContext();
parseContext.set(Parser.class, autoDetectParser);
try (InputStream inputStream = file.getInputStream()) {
autoDetectParser.parse(inputStream, new BodyContentHandler(), metadata, parseContext);
}
// 格式化元數據輸出（遍歷所有元數據鍵）
StringBuilder metadataStr = new StringBuilder();
for (String name : metadata.names()) {
metadataStr.append(name).append(": ").append(metadata.get(name)).append("\n");
}
return metadataStr.toString();
}
/**
* 提取加密文件的文本內容（支持PDF、Word、Excel等）
* @param file 上傳的文件
* @return 提取的純文本
* 1. 對舊版 Office 文檔（.doc、.xls），使用 POI 的 EncryptionInfo 和 Decryptor 直接解密
* 2. 對新版 Office 文檔（.docx、.xlsx），仍使用 Tika 的 PasswordProvider
*/
public String extractEncryptedText(MultipartFile file, String password) throws Exception {
ContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
metadata.add(TikaCoreProperties.RESOURCE_NAME_KEY, file.getOriginalFilename());
metadata.set("password", password);
AutoDetectParser autoDetectParser = new AutoDetectParser();
ParseContext context = new ParseContext();
context.set(PasswordProvider.class,metadata1 -> password);
try (InputStream inputStream = file.getInputStream()) {
autoDetectParser.parse(inputStream, handler, metadata, context);
return handler.toString();
}
}
}功能 3：自定義解析器
// 自定義解析器：處理.csv格式文件（示例，Tika已內置CSV解析器，此處僅演示擴展）
public class CustomCsvParser extends AbstractParser {
// 聲明支持的MIME類型
@Override
public Set<MediaType> getSupportedTypes(ParseContext context) {
return Collections.singleton(MediaType.parse("text/csv"));
}
// 核心解析邏輯
@Override
public void parse(InputStream stream, ContentHandler handler, Metadata metadata, ParseContext context)
throws IOException, SAXException {
// 1. 設置CSV文件的元數據
metadata.add("file_format", "CSV");
metadata.add("delimiter", ",");
// 2. 讀取CSV內容并寫入ContentHandler
String csvContent = readInputStreamAsString(stream);
handler.characters(csvContent.toCharArray(), 0, csvContent.length());
}
private String readInputStreamAsString(InputStream inputStream) throws IOException {
ByteArrayOutputStream buffer = new ByteArrayOutputStream();
int nRead;
byte[] data = new byte[1024];
while ((nRead = inputStream.read(data, 0, data.length)) != -1) {
buffer.write(data, 0, nRead);
}
buffer.flush();
return new String(buffer.toByteArray(), StandardCharsets.UTF_8);
}
}測試代碼
圖片
@Test
public void tikaFile() throws Exception {
File fakeImageFile = new File("D:\\文檔\\自動巡檢腳本部署說明.docx");
MultipartFile mockFile = new MockMultipartFile("file",new FileInputStream(fakeImageFile));
System.out.println(tikaContentExtractService.extractText(mockFile));
System.out.println(tikaContentExtractService.extractMetadata(mockFile));
// System.out.println(tikaContentExtractService.extractEncryptedText(mockFile,"123456"));
}責任編輯：武曉燕
來源：
一安未來
