Apache Tika 是一个功能强大的 文档内容提取和元数据解析工具，能够从各种格式的文件中提取文本、元数据以及结构化信息。Tika 支持超过 1500+ 种文件格式，包括 PDF、Word (.docx)、Excel (.xlsx)、PPT、HTML、XML、TXT、EPUB、图像（EXIF）、音视频等。

一、Apache Tika 简介

主要功能：

• 自动识别文件类型并提取文本内容
• 提取文档元数据（如作者、创建时间、标题、关键词等）
• 支持多种输出格式：纯文本、HTML、XHTML、JSON 等
• 支持嵌套文档提取（如 ZIP 包中的 Word 文件）
• 可以作为 Java 库使用，也可以通过 REST API 暴露服务

二、安装与使用方式

可以根据技术栈选择不同的方式使用 Apache Tika：

三、Python 中使用 Apache Tika（推荐：tika-python）

1. 安装依赖

pip install tika

该库本质上是启动了一个本地的 Tika Server（基于 Java），然后通过 HTTP 请求进行交互。

需要先安装好 Java 8 或以上版本。

2. 示例：提取文本内容

from tika import parser
# 解析本地文件
parsed = parser.from_file("example.docx")
# 输出结果是一个字典
print(parsed["metadata"]) # 元数据
print(parsed["content"]) # 提取的文本内容

3. 示例：远程 URL 内容提取

parsed = parser.from_url("https://example.com/sample.pdf")
print(parsed["content"])

4. 示例：指定输出为 HTML/XHTML 格式

# 设置 XML/HTML 输出
parsed = parser.from_file("example.docx", xmlContent=True)
print(parsed["content"]) # 得到 XHTML 结构

四、Java / Spring Boot 中使用 Apache Tika

Maven 依赖：

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>2.9.0</version>
</dependency>
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers-standard-package</artifactId>
    <version>2.9.0</version>
</dependency>

示例代码：提取文本和元数据

package org.example;

import org.apache.tika.Tika;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandler;

import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;

public class TikaExample {
    public static void main(String[] args) throws Exception {
        Tika tika = new Tika();
        File file = new File("example.docx");

        // 提取纯文本
        String content = tika.parseToString(file);
        System.out.println("内容：" + content);

        // 提取元数据
        Metadata metadata = new Metadata();
        try (InputStream input = new FileInputStream(file)) {
            Parser parser = tika.getParser();
            parser.parse(input, new BodyContentHandler(), metadata, new ParseContext());
        }

        System.out.println("元数据：");
        for (String name : metadata.names()) {
            System.out.println(name + ": " + metadata.get(name));
        }
    }
}

五、使用 Tika REST API 服务（推荐用于微服务架构）

1. 启动 Tika Server

wget https://dlcdn.apache.org/tika/tika-app-2.9.0.jar
java -jar tika-app-2.9.0.jar --server
默认端口：localhost:9998

2. 发送请求提取内容（curl 示例）

curl -T example.docx http://localhost:9998/tika

或获取元数据：

curl -X PUT -H "Accept: text/xml" --data-binary @example.docx http://localhost:9998/rmeta

也可以使用 Python requests 库调用：

import requests
url = 'http://localhost:9998/tika'
with open('example.docx', 'rb') as f:
res = requests.put(url, data=f)
print(res.text)

六、支持的常见文件格式一览

七、OCR 支持（提取扫描 PDF 图片文字）

Tika 本身不直接内置 OCR 功能，但可以整合 Tesseract OCR：

步骤：

1. 安装 Tesseract OCR
2. 配置环境变量
3. 使用 tika-parsers-extra 模块启用 OCR 支持

示例命令：

curl -T scanned.pdf http://localhost:9998/tika --header "X-Tika-OCR: true"

八、对比 python-docx

九、总结