使用Python调用Tika API处理微软文档时出现422错误

我之前也碰到过一模一样的问题，核心原因是你用了requests的files参数传递文件，这会导致请求头被自动改成multipart/form-data，和你手动设置的Content-Type冲突，而Tika的/tika端点其实期望直接接收文件的二进制内容作为请求体，不是multipart格式的上传。

先拆解下原代码的问题：

• 当使用files参数时，requests会自动生成multipart/form-data类型的请求头，直接覆盖你手动设置的文档MIME类型，导致Tika无法正确识别微软Office文档格式，返回422错误。
• /tika端点的设计是直接接收原始文件二进制流，而非通过表单上传文件。

下面是修改后的完整代码，我标注了关键修改点：

def tika(file_content, mimetype):
    url = 'https://[server_url]/tika'
    headers = {
        'Content-Type': mimetype,
        'Cache-Control': 'no-cache'
    }
    # 关键修改：用data传递二进制内容，而非files参数
    r = requests.put(url, data=file_content, headers=headers)
    return r

if __name__ == "__main__":
    from tkinter import filedialog
    from tkinter import *
    import mimetypes
    import requests

    root = Tk()
    root.filename = filedialog.askopenfilename(
        parent=root,
        initialdir="/",
        title='Please select a file to scan'
    )
    # 用with语句安全读取文件二进制内容
    with open(root.filename, 'rb') as fin:
        file_content = fin.read()
    
    print('Parsing File: ')
    mimetype = mimetypes.MimeTypes().guess_type(root.filename)[0]
    print(mimetype)
    
    r = tika(file_content, mimetype)
    # 解码成字符串，方便查看提取的文本
    print(r.content.decode('utf-8'))
    print(r.status_code)

核心修改说明 #

1. 替换files为data参数：直接将文件的二进制内容作为请求体发送，完全符合Tika /tika端点的接收要求，避免了multipart格式的干扰。
2. 调整函数参数：让tika函数直接接收文件内容和MIME类型，逻辑更清晰。
3. 安全管理文件句柄：用with语句自动关闭文件，避免资源泄漏。
4. 解码返回内容：把二进制的返回结果解码成UTF-8字符串，更容易查看提取的文本内容。

额外排查点 #

如果修改后还是有问题，可以试试这几个方向：

• 确认Tika服务器依赖：确保你的Tika服务器已经包含处理Office文档的POI依赖（官方默认包是包含的，但自定义部署可能需要手动添加）。
• 验证MIME类型：如果mimetypes猜测的类型不对，可以手动指定，比如docx的正确MIME类型是application/vnd.openxmlformats-officedocument.wordprocessingml.document，xlsx是application/vnd.openxmlformats-officedocument.spreadsheetml.sheet。
• 切换请求方法：有些Tika部署可能更兼容POST请求，把requests.put改成requests.post试试。

内容的提问来源于stack exchange，提问作者andyy15