最近在项目里玩了一波文件内容解析，顺手把 Apache Tika 和 Spring Boot 集成了一下，发现还挺香的！
今天就来聊聊怎么用 Spring Boot 搭配 Apache Tika 轻松搞定各种文档内容解析。是的，不管是 PDF、Word 还是 Excel，统统拿下！顺便加点代码实例，让大家看得明白。😉
为什么用 Apache Tika？
首先，Apache Tika 是个超强的文档解析库，支持上百种文档格式，比如 Office 系列、PDF、HTML、TXT 等。它不仅能把文档里的内容提取出来，还能顺便帮你识别文件类型。这对我们这些经常需要处理文件上传、全文检索的场景来说，简直不能更实用！
但是，Tika 单独用起来还是有点复杂，尤其是要手动配置的地方不少。这就让我们想起了 Spring Boot 的 “祖传简化开发体验”：不集成到 Spring 里总感觉少了点什么，对吧？
如何用 Spring Boot 集成 Apache Tika？
来，划重点，五步走流程学起来，保你一分钟上手！
1. 依赖引入
首先，给 pom.xml 加上 Tika 的依赖。核心包负责核心功能，解析器包用来支持各种文档格式：
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-core</artifactId>
<version>2.7.0</version>
</dependency>
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-parsers</artifactId>
<version>2.7.0</version>
</dependency>
这一波依赖加下来，基本文件类型都搞定了。如果需要支持更冷门的格式，比如 .msg 邮件，记得看看官方文档补充依赖。
2. 配置文件
创建一个 tika-config.xml，放在 src/main/resources 目录下。这个文件主要是用来定制解析行为的，比如字符编码、检测器配置等等：
<?xml version="1.0" encoding="UTF-8"?>
<properties>
<detectors>
<detector class="org.apache.tika.detect.DefaultDetector" />
</detectors>
<parsers>
<parser class="org.apache.tika.parser.DefaultParser" />
</parsers>
</properties>
虽然默认配置已经够用了，但如果你的业务有特殊需求，比如要优先检测某种文件格式，可以在这里调整。
3. Spring Boot 配置类
Spring 的特色就是 Bean 管理嘛，所以我们把 Tika 包装成一个 Spring Bean，方便全局注入使用：
import org.apache.tika.Tika;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
@Configuration
public class TikaConfig {
@Bean
public Tika tika() {
return new Tika();
}
}
这段代码看起来简单，但核心是让 Tika 成为 Spring 容器里的一个“家庭成员”。从此可以用 @Autowired 随叫随到！
4. 开始解析文档！
到了最爽的环节了，直接用代码解析文档内容。这段代码给你演示如何解析一个 PDF 文件：
import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;
import java.io.File;
import java.io.IOException;
@Service
public class DocumentParserService {
@Autowired
private Tika tika;
public String parseFile(String filePath) throws IOException, TikaException {
File file = new File(filePath);
// 使用 Tika 解析文件内容
return tika.parseToString(file);
}
}
比如有个文件 E:/Docker生产环境安装指南.pdf，你可以这样解析：
String content = documentParserService.parseFile("E:/Docker生产环境安装指南.pdf");
System.out.println(content);
运行后，你会看到 PDF 文件里的内容一字不落地打印出来！✨
5. 检测文件类型
除了提取内容，Tika 还能检测文件类型，帮你快速判断上传的文件是否合法，比如：
public String detectFileType(String filePath) throws IOException {
File file = new File(filePath);
return tika.detect(file);
}
举个例子，一个 .txt 文件会返回 text/plain，一个 .pdf 文件会返回 application/pdf。这功能用在文件上传校验里简直绝了！
实战中的坑和注意点
虽然用起来简单，但 Tika 有几个坑踩过才能懂：
大文件解析要注意性能
默认情况下，Tika 会把整个文件的内容加载到内存中解析，文件太大时容易内存爆炸！解决方法是用流式解析，像这样：public String parseFileWithStream(String filePath) throws IOException, TikaException {
try (InputStream stream = new FileInputStream(filePath)) {
return tika.parseToString(stream);
}
}字符编码问题
如果你的文档内容有乱码问题，建议检查tika-config.xml的编码检测器配置是否正确。解析结果二次处理
如果你的文档内容是富文本，比如包含 HTML 标签，Tika 会直接输出原始 HTML。这时候可以用 Jsoup 或类似工具对内容做清理。
总结
Spring Boot + Apache Tika 的组合是真的强，代码量少，功能全，不仅能省开发时间，还能轻松适配各种文档解析场景。最重要的是，写代码的快乐得到了极大的保留！💻
要是你们公司也有类似需求，赶紧试试这套组合吧，老板看了都说好！😂
-END-
以上，就是今天的分享了，看完文章记得右下角给何老师点赞，也欢迎在评论区写下你的留言。
