在 Java 中使用 Apache Tika 读取 doc、docx等格式文件内容

本文主要是介绍使用 Apache Tika 来读取 doc、docx 等格式文件内容。

场景

大模型业务应用开发中，避免不了文件的读取，虽说很多大模型应用平台都支持上传文件进行读取，但工作中不少文件保密性是相当高的，必须先在代码中处理一遍。

那么就会涉及到后端系统中读取多种文件格式的内容的场景，此时，正是 Tika 大显身手的好时候。

优点

这里选择对比网络上常出现的 poi 组件，有以下优点：

1. 无需自行判断文件格式从而去选择对应的解析器，tika 支持自识别相当多的文件格式；
2. 针对错误的 doc、docx 格式，传统代码很难区分，容易导致抛出异常。

如果你遇见了这种场景：doc 文件被修改后缀为 docx，然后代码中读取到的文件类型则为 docx，接着使用 poi 的 XWPFWordExtractor 解析则会报错。

此种情况是不容易区分出两种文件类型的，因为使用 WPS 打开不会存在提示，业务老师对此也不会敏感，你甚至都很难加上约束。

此时可以考虑使用 Apache Tika 帮你快速稳定实现文件读取功能。

用法

引入依赖

dependencies {runtime 'org.apache.tika:tika-core:3.2.0'runtime 'org.apache.tika:tika-parsers-standard-package:3.2.0'
}

执行代码

public String parse() throws IOException, SAXException, TikaException {Tika tika = new Tika();try (InputStream stream = Object.class.getResourceAsStream("test.doc")) {return tika.parseToString(stream);}
}

参考

https://tika.apache.org/3.2.0/examples.html
https://allinprogram.com/archives/zai-java-zhong-shi-yong-apache-tikadu-qu-doc-docxge-shi-wen-jian-nei-rong