Apache Tika解析doc/docx/pdf文件返回空白文本问题求助

问题原因 #

1. 依赖配置错误（核心原因） #

Apache Tika 2.x版本中，tika-parsers-standard-package属于POM类型依赖，你未在依赖声明中指定<type>pom</type>，导致该依赖下的所有解析器实现Jar包没有被引入项目，Tika无法加载对应文件类型的解析器，只能识别文件类型但无法提取文本。

2. 依赖版本冲突 #

Tika 2.1.0官方适配的POI版本为5.0.0，你手动指定了POI 5.1.0版本，会导致类版本不兼容，进一步影响解析器初始化。

3. 输入流操作逻辑错误 #

• parser.parse()执行完成后输入流已经被完全读取，流指针处于EOF位置，此时调用detect方法无法读取到有效数据
• 若输入流不支持mark/reset，自动类型检测时读取流头部字节后，流指针不会复位，后续解析会从偏移位置开始读取，导致解析失败

解决方案 #

第一步：修正依赖配置 #

移除手动添加的POI相关依赖，直接使用Tika标准包传递的适配版本POI，同时指定解析器包的类型为pom，修正后的依赖如下：

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>2.1.0</version>
</dependency>
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers-standard-package</artifactId>
    <version>2.1.0</version>
    <type>pom</type>
</dependency>

第二步：修正解析代码逻辑 #

调整流操作顺序，增加流指针复位逻辑，修正后的代码如下：

public String parseToPlainText(InputStream inputStream) {
    // 确保输入流支持mark/reset，不支持则包装为BufferedInputStream
    if (!inputStream.markSupported()) {
        inputStream = new BufferedInputStream(inputStream);
    }
    // 标记流起始位置，预留足够大的读取上限避免mark失效
    inputStream.mark(Integer.MAX_VALUE);

    BodyContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE);
    AutoDetectParser parser = new AutoDetectParser();
    Metadata metadata = new Metadata();
    ParseContext parseContext = new ParseContext();
    String content = "";
    try {
        // 先检测MIME类型，检测完成后复位流指针
        MediaType mediaType = parser.getDetector().detect(inputStream, metadata);
        System.out.println("检测到文件类型：" + mediaType);
        inputStream.reset();

        // 执行解析
        parser.parse(inputStream, handler, metadata, parseContext);
        content = handler.toString();
    } catch (IOException | SAXException | TikaException e) {
        logger.error("文件解析失败", e);
    } finally {
        try {
            inputStream.close();
        } catch (IOException e) {
            logger.error("流关闭失败", e);
        }
    }
    return content;
}

内容的提问来源于stack exchange，提问作者Jedupont