Tika工具包-搞定上千种文件解析

hi，我是阿昌，今天分享学习的是 Apache Tika ;

它可从一千多种不同文件类型（例如ppt、xls、pdf、xmind、cad等）中提取解析出元数据和文本。
如果你有对如上文件类型进行提取分析的需求，不凡试试这个框架。
那这里本次使用java语言进行演示demo。

以下基于演示测试：

jdk：1.8

tika：2.9.1

springboot：2.1.0

一、包依赖

那本身Tika在实际使用情况下不难，只需要引入2个依赖：
分别是tika的核心包和一个tika的标准解析器包；

核心包：提供了tika核心api和基本的解析框架

标准解析器包：各种文件格式的具体解析器实现，tika社区中还有各种更小众文件的解析实现；

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>2.9.1</version>
</dependency>
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers-standard-package</artifactId>
    <version>2.9.1</version>
</dependency>

二、tika核心方法

detect：获取文件类型

1
2
3

public String detect(InputStream stream) throws IOException {
    return this.detect(stream, new Metadata());
}

parseToString：获取文本

1
2
3

public String parseToString(InputStream stream) throws IOException, TikaException {
    return this.parseToString(stream, new Metadata());
}

三、demo代码

@PostMapping("parseFileInfo")
public ResponseEntity<?> parseFileInfo(MultipartFile file){
	Map<String, Object> pareseMap = tikaService.processFile(file);
	return ResponseEntity.ok(pareseMap);
}

/**
 * @author achang
 * @date 2025/10/4 - 22:38
 **/
@Service
public class TikaServiceImpl implements TikaService {
	
	private final Tika tikaClient = new Tika();
	
	public String detectFileType(InputStream inputStream) throws IOException {
		return tikaClient.detect(inputStream);
	}
	
	public String extractText(InputStream inputStream) throws IOException, TikaException {
		return tikaClient.parseToString(inputStream);
	}
	
	public Map<String, String> extractMetaData(InputStream inputStream, String fileName) throws IOException, TikaException {
		Metadata metadata = new Metadata();
		metadata.set("resourceName", fileName);
		tikaClient.parseToString(inputStream, metadata);
		Map<String, String> metadataMap = new HashMap<>();
		for (String name : metadata.names()) {
			metadataMap.put(name, metadata.get(name));
		}
		return metadataMap;
	}
	
	public Map<String, Object> processFile(MultipartFile file) {
		Map<String, Object> hashMap = new HashMap<>();
		
		//提取文件类型
		String fileType = detectFileType(file.getInputStream());
		hashMap.put("fileType", fileType);
		
		//提取文本
		String content = extractText(file.getInputStream());
		hashMap.put("content", content);
		
		//提取元数据
		Map<String, String> metadata = extractMetaData(file.getInputStream(), file.getOriginalFilename());
		hashMap.put("metadata", metadata);
		
		
		return hashMap;
	}
	
}