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

groovy 复制代码
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

java 复制代码
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

相关推荐
超级大只老咪13 分钟前
何为“类”?(Java基础语法)
java·开发语言·前端
我笑了OvO1 小时前
C++类和对象(1)
java·开发语言·c++·类和对象
CoderJia程序员甲2 小时前
GitHub 热榜项目 - 日榜(2025-09-26)
ai·开源·github·ai编程·github热榜
weixin_436525072 小时前
Gitee - IDEA 主支 master 和分支 dev 的使用
java·ide·intellij-idea
sheji34163 小时前
【开题答辩全过程】以 YF精品视频动漫平台为例,包含答辩的问题和答案
java·eclipse
渡我白衣3 小时前
C++ 异常处理全解析:从语法到设计哲学
开发语言·c++·面试
小蕾Java3 小时前
Java 开发工具,最新2025 IDEA 使用
java·ide·intellij-idea
是席木木啊3 小时前
Idea升级到2024版本:“marketplace plugins are not loaded”解决方案
java·ide·intellij-idea
胚芽鞘6813 小时前
博客标题:解密 IntelliJ IDEA 调试:当你的 List 不仅仅是 List
java·ide·intellij-idea
꒰ঌ 安卓开发໒꒱3 小时前
Java面试-并发面试(一)
java·jvm·面试