<!-- Apache Tika 核心依賴 -->
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>2.9.0</version> <!-- 版本可以選最新的，我這里用的是穩(wěn)定版 -->
</dependency>
<!-- 如果需要解析PDF、Office等復(fù)雜格式，再加這個(gè)依賴 -->
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers-standard-pooled</artifactId>
    <version>2.9.0</version>
    <type>pom</type>
</dependency>

import org.apache.tika.Tika;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
@Configuration
public class TikaConfig {
    // 配置Tika單例Bean，整個(gè)項(xiàng)目共用一個(gè)實(shí)例
    @Bean
    public Tika tika() {
        // 這里可以加一些自定義配置，比如設(shè)置編碼、超時(shí)時(shí)間等
        // 咱們先簡單點(diǎn)，默認(rèn)配置就夠用
        return new Tika();
    }
}

import org.apache.tika.Tika;
import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.sax.BodyContentHandler;
import org.springframework.stereotype.Component;
import org.xml.sax.ContentHandler;
import org.xml.sax.SAXException;
import javax.annotation.Resource;
import java.io.IOException;
import java.io.InputStream;
@Component
public class TikaUtils {
    // 注入前面配置的Tika實(shí)例
    @Resource
    private Tika tika;
    /**
     * 1. 解析文件內(nèi)容（獲取文件里的文字）
     * @param inputStream 文件輸入流
     * @param fileName 文件名（幫助Tika識別文件格式）
     * @return 解析后的文字內(nèi)容
     */
    public String parseFileContent(InputStream inputStream, String fileName) throws IOException, TikaException {
        // 方式一：用Tika的parseToString方法，簡單粗暴
        // 這里傳入fileName是為了讓Tika更準(zhǔn)確地識別文件格式（比如有的文件后綴不對，Tika能根據(jù)內(nèi)容判斷）
        return tika.parseToString(inputStream, fileName);
        // 方式二：如果需要更精細(xì)的控制（比如處理大文件、獲取更詳細(xì)的內(nèi)容），可以用AutoDetectParser
        // 下面我會講這種方式，這里先放個(gè)簡單的
    }
    /**
     * 2. 提取文件元數(shù)據(jù)（比如文件類型、創(chuàng)建時(shí)間、作者等）
     * @param inputStream 文件輸入流
     * @param fileName 文件名
     * @return 元數(shù)據(jù)對象（可以獲取各種屬性）
     */
    public Metadata extractFileMetadata(InputStream inputStream, String fileName) throws IOException, TikaException {
        Metadata metadata = new Metadata();
        // 解析文件時(shí)，把元數(shù)據(jù)對象傳進(jìn)去，Tika會自動(dòng)填充
        tika.parse(inputStream, metadata, fileName);
        return metadata;
    }
    /**
     * 3. 進(jìn)階：用AutoDetectParser解析（適合大文件、自定義處理）
     * @param inputStream 文件輸入流
     * @return 解析后的文字內(nèi)容
     */
    public String parseLargeFileContent(InputStream inputStream) throws IOException, TikaException, SAXException {
        // BodyContentHandler：用來接收解析后的內(nèi)容
        // 這里可以設(shè)置緩沖區(qū)大小，比如new BodyContentHandler(10*1024*1024)表示10MB（默認(rèn)是1MB，解析大文件會報(bào)錯(cuò)）
        ContentHandler contentHandler = new BodyContentHandler(-1); // -1表示不限制大?。ㄟm合超大文件）
        
        // Metadata：用來接收元數(shù)據(jù)
        Metadata metadata = new Metadata();
        
        // ParseContext：解析上下文（可以自定義解析器、設(shè)置參數(shù)等）
        ParseContext parseContext = new ParseContext();
        
        // AutoDetectParser：自動(dòng)檢測文件格式的解析器（Tika的核心）
        AutoDetectParser parser = new AutoDetectParser();
        
        // 執(zhí)行解析
        parser.parse(inputStream, contentHandler, metadata, parseContext);
        
        // 返回解析后的內(nèi)容
        return contentHandler.toString();
    }
}

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.springframework.http.HttpStatus;
import org.springframework.http.ResponseEntity;
import org.springframework.web.bind.annotation.PostMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import org.springframework.web.multipart.MultipartFile;
import org.xml.sax.SAXException;
import javax.annotation.Resource;
import java.io.IOException;
import java.io.InputStream;
import java.util.HashMap;
import java.util.Map;
@RestController
public class FileParseController {
    @Resource
    private TikaUtils tikaUtils;
    /**
     * 測試接口：上傳文件，解析內(nèi)容和元數(shù)據(jù)
     */
    @PostMapping("/parse/file")
    public ResponseEntity<Map<String, Object>> parseFile(@RequestParam("file") MultipartFile file) {
        // 1. 校驗(yàn)文件是否為空
        if (file.isEmpty()) {
            Map<String, Object> errorMap = new HashMap<>();
            errorMap.put("code", 400);
            errorMap.put("msg", "文件不能為空！");
            return new ResponseEntity<>(errorMap, HttpStatus.BAD_REQUEST);
        }
        Map<String, Object> resultMap = new HashMap<>();
        try (InputStream inputStream = file.getInputStream()) {
            String fileName = file.getOriginalFilename();
            long fileSize = file.getSize();
            // 2. 解析文件內(nèi)容
            String fileContent = tikaUtils.parseFileContent(inputStream, fileName);
            // 3. 提取文件元數(shù)據(jù)（注意：這里要重新獲取輸入流，因?yàn)榍懊娴牧饕呀?jīng)被讀取過了）
            InputStream metadataInputStream = file.getInputStream();
            Metadata metadata = tikaUtils.extractFileMetadata(metadataInputStream, fileName);
            // 4. 組裝返回結(jié)果
            resultMap.put("code", 200);
            resultMap.put("msg", "解析成功！");
            resultMap.put("data", new HashMap<String, Object>() {{
                put("fileName", fileName);
                put("fileSize", fileSize + " bytes");
                put("fileContent", fileContent); // 文件內(nèi)容
                put("fileType", metadata.get(Metadata.CONTENT_TYPE)); // 文件類型
                put("creationDate", metadata.get(Metadata.CREATION_DATE)); // 創(chuàng)建時(shí)間（不是所有文件都有）
                put("author", metadata.get(Metadata.AUTHOR)); // 作者（不是所有文件都有）
                // 還可以獲取更多元數(shù)據(jù)，比如修改時(shí)間、標(biāo)題等，看文件支持情況
            }});
        } catch (IOException e) {
            resultMap.put("code", 500);
            resultMap.put("msg", "文件讀取失?。? + e.getMessage());
        } catch (TikaException e) {
            resultMap.put("code", 500);
            resultMap.put("msg", "文件解析失?。? + e.getMessage());
        }
        return new ResponseEntity<>(resultMap, HttpStatus.OK);
    }
    /**
     * 測試接口：解析大文件（比如100MB的PDF）
     */
    @PostMapping("/parse/large-file")
    public ResponseEntity<Map<String, Object>> parseLargeFile(@RequestParam("file") MultipartFile file) {
        if (file.isEmpty()) {
            Map<String, Object> errorMap = new HashMap<>();
            errorMap.put("code", 400);
            errorMap.put("msg", "文件不能為空！");
            return new ResponseEntity<>(errorMap, HttpStatus.BAD_REQUEST);
        }
        Map<String, Object> resultMap = new HashMap<>();
        try (InputStream inputStream = file.getInputStream()) {
            String fileName = file.getOriginalFilename();
            long fileSize = file.getSize();
            // 用大文件解析方法
            String fileContent = tikaUtils.parseLargeFileContent(inputStream);
            resultMap.put("code", 200);
            resultMap.put("msg", "大文件解析成功！");
            resultMap.put("data", new HashMap<String, Object>() {{
                put("fileName", fileName);
                put("fileSize", fileSize + " bytes");
                put("fileContent", fileContent.substring(0, 1000) + "..."); // 只返回前1000個(gè)字符，避免結(jié)果太長
            }});
        } catch (IOException e) {
            resultMap.put("code", 500);
            resultMap.put("msg", "文件讀取失?。? + e.getMessage());
        } catch (TikaException | SAXException e) {
            resultMap.put("code", 500);
            resultMap.put("msg", "大文件解析失?。? + e.getMessage());
        }
        return new ResponseEntity<>(resultMap, HttpStatus.OK);
    }
}

{
  "code": 200,
  "msg": "解析成功！",
  "data": {
    "fileName": "test.txt",
    "fileSize": "138 bytes",
    "fileContent": "Hello, Apache Tika! 這是一個(gè)測試文本文件，用來驗(yàn)證Tika的解析能力。Java開發(fā)者，沖??！",
    "fileType": "text/plain; charset=UTF-8",
    "creationDate": null, // 純文本文件一般沒有創(chuàng)建時(shí)間元數(shù)據(jù)
    "author": null
  }
}

<!-- Tika OCR支持 -->
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers-extra</artifactId>
    <version>2.9.0</version>
</dependency>
<!-- Tesseract OCR引擎 -->
<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>5.8.0</version>
</dependency>

/**
 * 解析圖片中的文字（OCR）
 * @param inputStream 圖片輸入流（支持jpg、png、掃描件PDF等）
 * @return OCR識別后的文字
 */
public String parseImageText(InputStream inputStream) throws IOException, TikaException, SAXException {
    // 1. 配置OCR解析器
    TesseractOCRConfig tesseractOCRConfig = new TesseractOCRConfig();
    tesseractOCRConfig.setLanguage("chi_sim"); // 設(shè)置語言為中文（默認(rèn)是英文）
    tesseractOCRConfig.setTessDataPath("C:\\Program Files\\Tesseract-OCR\\tessdata"); // Windows下的tessdata路徑（Linux/Mac不用設(shè)，會自動(dòng)找）
    // 2. 設(shè)置解析上下文
    ParseContext parseContext = new ParseContext();
    parseContext.set(TesseractOCRConfig.class, tesseractOCRConfig);
    parseContext.set(Parser.class, new AutoDetectParser()); // 自動(dòng)檢測文件格式
    // 3. 執(zhí)行OCR解析
    ContentHandler contentHandler = new BodyContentHandler(-1);
    Metadata metadata = new Metadata();
    AutoDetectParser parser = new AutoDetectParser();
    parser.parse(inputStream, contentHandler, metadata, parseContext);
    return contentHandler.toString();
}

import org.apache.tika.sax.XHTMLContentHandler;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
/**
 * 解析文件并保留表格結(jié)構(gòu)（輸出HTML，再提取表格）
 * @param inputStream 文件輸入流
 * @return 表格數(shù)據(jù)（JSON格式）
 */
public String parseTableWithStructure(InputStream inputStream) throws IOException, TikaException, SAXException {
    // 1. 用XHTMLContentHandler輸出HTML格式
    StringWriter writer = new StringWriter();
    XHTMLContentHandler xhtmlHandler = new XHTMLContentHandler(writer);
    // 2. 執(zhí)行解析
    Metadata metadata = new Metadata();
    ParseContext parseContext = new ParseContext();
    AutoDetectParser parser = new AutoDetectParser();
    parser.parse(inputStream, xhtmlHandler, metadata, parseContext);
    // 3. 用Jsoup解析HTML，提取表格
    Document doc = Jsoup.parse(writer.toString());
    Elements tables = doc.select("table"); // 獲取所有表格
    StringBuilder tableJson = new StringBuilder("[");
    for (Element table : tables) {
        Elements rows = table.select("tr"); // 獲取行
        StringBuilder rowJson = new StringBuilder("[");
        for (Element row : rows) {
            Elements cells = row.select("td, th"); // 獲取單元格（td是數(shù)據(jù)，th是表頭）
            StringBuilder cellJson = new StringBuilder("[");
            for (Element cell : cells) {
                cellJson.append("\"").append(cell.text()).append("\",");
            }
            // 去掉最后一個(gè)逗號
            if (cellJson.length() > 1) {
                cellJson.setLength(cellJson.length() - 1);
            }
            cellJson.append("],");
            rowJson.append(cellJson);
        }
        if (rowJson.length() > 1) {
            rowJson.setLength(rowJson.length() - 1);
        }
        rowJson.append("],");
        tableJson.append(rowJson);
    }
    if (tableJson.length() > 1) {
        tableJson.setLength(tableJson.length() - 1);
    }
    tableJson.append("]");
    return tableJson.toString();
}

[
  [
    ["姓名","年齡","性別"],
    ["張三","25","男"],
    ["李四","30","女"]
  ]
]

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.32</version> <!-- 版本要和Tika兼容，Tika 2.9.0默認(rèn)用這個(gè)版本 -->
</dependency>

import org.apache.tika.parser.pdf.PDFParserConfig;

/**
 * 解析加密的PDF文件
 * @param inputStream PDF輸入流
 * @param password PDF密碼
 * @return 解析后的內(nèi)容
 */
public String parseEncryptedPdf(InputStream inputStream, String password) throws IOException, TikaException, SAXException {
    // 1. 配置PDF密碼
    PDFParserConfig pdfParserConfig = new PDFParserConfig();
    pdfParserConfig.setPassword(password); // 設(shè)置PDF密碼

    // 2. 設(shè)置解析上下文
    ParseContext parseContext = new ParseContext();
    parseContext.set(PDFParserConfig.class, pdfParserConfig);
    parseContext.set(Parser.class, new AutoDetectParser());

    // 3. 執(zhí)行解析
    ContentHandler contentHandler = new BodyContentHandler(-1);
    Metadata metadata = new Metadata();
    AutoDetectParser parser = new AutoDetectParser();
    parser.parse(inputStream, contentHandler, metadata, parseContext);

    return contentHandler.toString();
}

@SpringBootApplication
@EnableAsync
public class TikaDemoApplication {
    public static void main(String[] args) {
        SpringApplication.run(TikaDemoApplication.class, args);
    }
}

import org.springframework.scheduling.annotation.Async;
import org.springframework.stereotype.Service;

import javax.annotation.Resource;
import java.io.InputStream;
import java.util.concurrent.CompletableFuture;

@Service
publicclass AsyncParseService {

    @Resource
    private TikaUtils tikaUtils;

    // 異步解析文件
    @Async
    public CompletableFuture<String> asyncParseFile(InputStream inputStream, String fileName) {
        try {
            String content = tikaUtils.parseFileContent(inputStream, fileName);
            return CompletableFuture.completedFuture(content);
        } catch (Exception e) {
            return CompletableFuture.failedFuture(e);
        }
    }
}

@PostMapping("/parse/async-file")
public ResponseEntity<Map<String, Object>> asyncParseFile(@RequestParam("file") MultipartFile file) {
    if (file.isEmpty()) {
        Map<String, Object> errorMap = new HashMap<>();
        errorMap.put("code", 400);
        errorMap.put("msg", "文件不能為空！");
        returnnew ResponseEntity<>(errorMap, HttpStatus.BAD_REQUEST);
    }

    try (InputStream inputStream = file.getInputStream()) {
        // 調(diào)用異步方法，返回CompletableFuture
        CompletableFuture<String> future = asyncParseService.asyncParseFile(inputStream, file.getOriginalFilename());

        // 這里可以把任務(wù)ID存到Redis，用戶后續(xù)查詢
        String taskId = UUID.randomUUID().toString();
        redisTemplate.opsForValue().set(taskId, "PROCESSING", 1, TimeUnit.HOURS);

        // 異步處理結(jié)果（可以用回調(diào)函數(shù)，把結(jié)果存到Redis）
        future.whenComplete((content, ex) -> {
            if (ex == null) {
                redisTemplate.opsForValue().set(taskId, "SUCCESS:" + content, 1, TimeUnit.HOURS);
            } else {
                redisTemplate.opsForValue().set(taskId, "FAIL:" + ex.getMessage(), 1, TimeUnit.HOURS);
            }
        });

        Map<String, Object> resultMap = new HashMap<>();
        resultMap.put("code", 200);
        resultMap.put("msg", "異步解析任務(wù)已啟動(dòng)！");
        resultMap.put("taskId", taskId); // 返回任務(wù)ID，用戶查詢結(jié)果

        returnnew ResponseEntity<>(resultMap, HttpStatus.OK);

    } catch (IOException e) {
        Map<String, Object> errorMap = new HashMap<>();
        errorMap.put("code", 500);
        errorMap.put("msg", "文件讀取失?。? + e.getMessage());
        returnnew ResponseEntity<>(errorMap, HttpStatus.INTERNAL_SERVER_ERROR);
    }
}

// 查詢異步解析結(jié)果
@GetMapping("/parse/result/{taskId}")
public ResponseEntity<Map<String, Object>> getParseResult(@PathVariable String taskId) {
    String result = (String) redisTemplate.opsForValue().get(taskId);
    if (result == null) {
        Map<String, Object> errorMap = new HashMap<>();
        errorMap.put("code", 404);
        errorMap.put("msg", "任務(wù)ID不存在！");
        returnnew ResponseEntity<>(errorMap, HttpStatus.NOT_FOUND);
    }

    Map<String, Object> resultMap = new HashMap<>();
    if (result.startsWith("PROCESSING")) {
        resultMap.put("code", 202);
        resultMap.put("msg", "任務(wù)正在處理中，請稍后查詢！");
    } elseif (result.startsWith("SUCCESS:")) {
        resultMap.put("code", 200);
        resultMap.put("msg", "解析成功！");
        resultMap.put("data", result.substring("SUCCESS:".length()));
    } elseif (result.startsWith("FAIL:")) {
        resultMap.put("code", 500);
        resultMap.put("msg", "解析失?。? + result.substring("FAIL:".length()));
    }

    returnnew ResponseEntity<>(resultMap, HttpStatus.OK);
}

/**
 * 過濾文件內(nèi)容（去掉頁眉頁腳、空行等）
 * @param content 原始解析內(nèi)容
 * @return 過濾后的內(nèi)容
 */
public String filterContent(String content) {
    // 1. 去掉頁眉頁腳（假設(shè)頁眉頁腳是“第X頁”、“文檔標(biāo)題”等）
    content = content.replaceAll("第\\d+頁", "");
    content = content.replaceAll("文檔標(biāo)題", "");

    // 2. 去掉空行
    content = content.replaceAll("\\n+", "\n");

    // 3. 去掉多余的空格
    content = content.replaceAll("\\s+", " ");

    return content.trim();
}

// 方式1：設(shè)置10MB緩沖區(qū)
ContentHandler contentHandler = new BodyContentHandler(10*1024*1024);

// 方式2：不限制緩沖區(qū)大小（適合超大文件）
ContentHandler contentHandler = new BodyContentHandler(-1);

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox-fontbox</artifactId>
    <version>2.0.32</version>
</dependency>

Metadata metadata = new Metadata();
metadata.set(Metadata.CONTENT_ENCODING, "UTF-8");
tika.parse(inputStream, metadata, fileName);

TesseractOCRConfig tesseractOCRConfig = new TesseractOCRConfig();
tesseractOCRConfig.setLanguage("chi_sim");
tesseractOCRConfig.setTessDataPath("C:\\Program Files\\Tesseract-OCR\\tessdata");
tesseractOCRConfig.setPageSegMode(1); // 1表示自動(dòng)分段，提高識別精度

import org.apache.poi.ss.usermodel.*;
import org.apache.poi.xssf.usermodel.XSSFWorkbook;

/**
 * 處理Excel合并單元格，獲取完整內(nèi)容
 */
public String parseExcelWithMergedCells(InputStream inputStream) throws IOException {
    Workbook workbook = new XSSFWorkbook(inputStream);
    StringBuilder content = new StringBuilder();

    for (Sheet sheet : workbook) {
        content.append("工作表名稱：").append(sheet.getSheetName()).append("\n");

        // 獲取合并單元格信息
        MergedRegionFinder mergedRegionFinder = new MergedRegionFinder(sheet);

        for (Row row : sheet) {
            for (Cell cell : row) {
                // 檢查單元格是否是合并單元格的一部分
                if (mergedRegionFinder.isMergedRegion(cell.getRowIndex(), cell.getColumnIndex())) {
                    // 獲取合并單元格的第一個(gè)單元格內(nèi)容
                    Cell mergedCell = sheet.getRow(mergedRegionFinder.getMergedRegion(cell.getRowIndex(), cell.getColumnIndex()).getFirstRow())
                            .getCell(mergedRegionFinder.getMergedRegion(cell.getRowIndex(), cell.getColumnIndex()).getFirstColumn());
                    content.append(getCellValue(mergedCell)).append("\t");
                } else {
                    content.append(getCellValue(cell)).append("\t");
                }
            }
            content.append("\n");
        }
        content.append("\n");
    }

    workbook.close();
    return content.toString();
}

// 獲取單元格的值（處理不同數(shù)據(jù)類型）
private String getCellValue(Cell cell) {
    if (cell == null) {
        return"";
    }

    switch (cell.getCellType()) {
        case STRING:
            return cell.getStringCellValue();
        case NUMERIC:
            if (DateUtil.isCellDateFormatted(cell)) {
                return cell.getDateCellValue().toString();
            } else {
                return String.valueOf(cell.getNumericCellValue());
            }
        case BOOLEAN:
            return String.valueOf(cell.getBooleanCellValue());
        case FORMULA:
            return cell.getCellFormula(); // 或者用cell.getNumericCellValue()獲取公式結(jié)果
        default:
            return"";
    }
}