使用Apache Tika提取元数据时偶发ArrayIndexOutOfBoundsException问题求助

使用Apache Tika提取文本、PDF文件内容时，调用metadata.names()方法偶发ArrayIndexOutOfBoundsException异常，出现概率约2-3%。

相关代码 #

public ExtractionResponse getText(InputStream sourceInputStream, int maxExtractedStringLength) {
    tika.setMaxStringLength(maxExtractedStringLength);
    Metadata metadata = new Metadata();

    try {
        Reader extractedContentReader = tika.parse(sourceInputStream, metadata);
        ReaderInputStream readerInputStream = ReaderInputStream.builder().setReader(extractedContentReader).get();
        return ExtractionResponse.of(readerInputStream, getMetadatas(metadata), StringUtils.EMPTY);
        
    } catch (IOException e) {
        log.info("Error in file extraction", e);
        throw new ApplicationRuntimeException(e);
    }
}

private String getMetadatas(Metadata metadata) throws IOException {
    Map<String, List<String>> metadataMap = Stream.of(metadata.names())
            .collect(Collectors.toMap(Function.identity(), name -> asList(metadata.getValues(name))));
    return JSONUtil.generateJSON(metadataMap);
}

异常栈信息 #

java.lang.ArrayIndexOutOfBoundsException: Index 14 out of bounds for length 14
at java.base/java.util.HashMap.keysToArray(HashMap.java:950)
at java.base/java.util.HashMap$KeySet.toArray(HashMap.java:997)
at org.apache.tika.metadata.Metadata.names(Metadata.java:156)
at com.myzone.extractors.TikaDocumentHandler.getMetadatas(TikaDocumentHandler.java:81)
at com.myzone.extractors.TikaDocumentHandler.getText(TikaDocumentHandler.java:54)

原因分析 #

从异常栈可以定位到问题出在HashMap.keysToArray方法，核心原因是Tika的Metadata内部依赖的HashMap存在并发修改：

• 你的代码看似单线程调用，但Tika解析过程中可能启动异步线程修改Metadata；
• 若多线程环境下共享了同一个Tika实例，会导致Metadata被并发读写；
• 旧版本Tika（如1.x系列部分版本）的Metadata类未做线程安全处理，内部HashMap在并发场景下会触发数组越界这类并发异常。

解决方案 #

1. 保证Tika实例的线程隔离
   Tika类本身不是线程安全的，禁止多线程共享同一个实例。可以用ThreadLocal维护每个线程的独立实例：

private ThreadLocal<Tika> tikaThreadLocal = ThreadLocal.withInitial(Tika::new);

public ExtractionResponse getText(InputStream sourceInputStream, int maxExtractedStringLength) {
    Tika tika = tikaThreadLocal.get();
    tika.setMaxStringLength(maxExtractedStringLength);
    // 后续解析逻辑不变
}

2. 升级Tika版本至2.x系列
   Tika 2.x已重构Metadata实现，改用线程安全的数据结构，彻底解决了这类并发问题。如果当前使用1.x版本，直接升级到最新稳定版是最优解。

3. 临时同步Metadata访问
   若暂时无法升级版本，可对Metadata的读写操作加锁，缓解并发冲突：

private String getMetadatas(Metadata metadata) throws IOException {
    synchronized (metadata) {
        Map<String, List<String>> metadataMap = Stream.of(metadata.names())
                .collect(Collectors.toMap(Function.identity(), name -> asList(metadata.getValues(name))));
        return JSONUtil.generateJSON(metadataMap);
    }
}

注意：此方案仅为临时缓解，若Tika内部异步修改Metadata，锁无法完全覆盖所有场景，优先推荐前两种方案。

内容的提问来源于stack exchange，提问作者user3212707