如何将Apache Tika Server 2.5作为API并在.NET 6中调用？

一、部署Apache Tika Server 2.5 #

首先需要将Tika Server启动为REST API服务：

• 下载Tika Server 2.5的标准jar包（tika-server-standard-2.5.0.jar）
• 确保服务器已安装Java 8及以上版本
• 启动服务：

  java -jar tika-server-standard-2.5.0.jar
  

  如需自定义端口（比如8080），添加参数：

  java -jar tika-server-standard-2.5.0.jar --port 8080
  

  默认服务地址为http://localhost:9998，可访问http://localhost:9998/status验证服务是否正常运行。

二、.NET 6中调用的实现方式 #

方式1：使用HttpClient直接调用REST API #

Tika Server原生提供REST接口，可通过.NET的HttpClient直接发起请求，无需额外依赖。

步骤1：注册HttpClient服务

在Program.cs中注入配置好的HttpClient：

builder.Services.AddHttpClient("TikaServer", client =>
{
    client.BaseAddress = new Uri("http://localhost:9998/");
    client.Timeout = TimeSpan.FromMinutes(5); // 根据文件大小调整超时时间
});

步骤2：编写调用服务类

创建TikaService类，注入IHttpClientFactory实现文档解析逻辑：

public class TikaService
{
    private readonly HttpClient _tikaClient;

    public TikaService(IHttpClientFactory httpClientFactory)
    {
        _tikaClient = httpClientFactory.CreateClient("TikaServer");
    }

    // 提取文档文本内容
    public async Task<string> ExtractTextAsync(Stream fileStream, string fileName)
    {
        using var content = new StreamContent(fileStream);
        content.Headers.ContentType = new MediaTypeHeaderValue("application/octet-stream");
        content.Headers.Add("filename", fileName);

        var response = await _tikaClient.PostAsync("tika", content);
        response.EnsureSuccessStatusCode(); // 抛出HTTP错误

        return await response.Content.ReadAsStringAsync();
    }

    // 提取文档元数据（返回JSON格式）
    public async Task<Dictionary<string, string>> ExtractMetadataAsync(Stream fileStream, string fileName)
    {
        using var content = new StreamContent(fileStream);
        content.Headers.ContentType = new MediaTypeHeaderValue("application/octet-stream");
        content.Headers.Add("filename", fileName);

        var request = new HttpRequestMessage(HttpMethod.Post, "meta");
        request.Content = content;
        request.Headers.Accept.Add(new MediaTypeWithQualityHeaderValue("application/json"));

        var response = await _tikaClient.SendAsync(request);
        response.EnsureSuccessStatusCode();

        var metadataJson = await response.Content.ReadAsStringAsync();
        return JsonSerializer.Deserialize<Dictionary<string, string>>(metadataJson) ?? new Dictionary<string, string>();
    }
}

步骤3：注册并使用服务

在Program.cs中注册TikaService：

builder.Services.AddScoped<TikaService>();

在控制器中注入使用：

[ApiController]
[Route("api/[controller]")]
public class DocumentController : ControllerBase
{
    private readonly TikaService _tikaService;

    public DocumentController(TikaService tikaService)
    {
        _tikaService = tikaService;
    }

    [HttpPost("extract-text")]
    public async Task<IActionResult> ExtractText(IFormFile file)
    {
        if (file == null || file.Length == 0)
            return BadRequest("请上传有效文件");

        using var stream = file.OpenReadStream();
        var text = await _tikaService.ExtractTextAsync(stream, file.FileName);
        return Ok(new { Text = text });
    }
}

方式2：使用NuGet包简化调用 #

可以使用第三方NuGet包TikaOnDotNet.ServerClient（需确认版本兼容Tika Server 2.5）：

步骤1：安装NuGet包

Install-Package TikaOnDotNet.ServerClient

或通过.NET CLI：

dotnet add package TikaOnDotNet.ServerClient

步骤2：编写调用代码

var client = new TikaServerClient(new Uri("http://localhost:9998/"));

// 提取文本
using var fileStream = File.OpenRead("example.docx");
var textResult = await client.ExtractTextAsync(fileStream);

// 提取元数据
var metadataResult = await client.ExtractMetadataAsync(fileStream);

三、常见注意事项 #

• 错误处理：需捕获HttpRequestException（HTTP请求失败）、JsonException（元数据反序列化失败）等异常，添加重试逻辑或友好提示。
• 大文件处理：确保Tika Server和.NET客户端的超时时间足够，避免因文件过大导致请求中断。
• 服务安全：如果Tika Server暴露到公网，需添加身份验证（比如Basic Auth），可在HttpClient中配置：

  var credentials = Convert.ToBase64String(Encoding.ASCII.GetBytes("username:password"));
  client.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Basic", credentials);
  

• Java环境：Tika Server依赖Java，需确保服务器上Java版本符合要求（Tika 2.5推荐Java 8+）。

内容的提问来源于stack exchange，提问作者BChe