Apache Tika提取DOCX嵌入写字板文件转为.bin问题求助

我之前也碰到过类似的困扰——用Tika的示例代码提取嵌入文件时，写字板文件总是被存成OleObject.bin，完全丢失了原始格式和公式内容。后来研究了Tika处理OLE对象的逻辑，找到了几个可行的解决方案：

1. 从元数据中获取原始文件名/类型，指定正确扩展名 #

Tika在解析嵌入OLE对象时，其实会把原始文件名、内容类型等信息存在元数据里。你可以在保存文件前读取这些元数据，替换默认的.bin扩展名：

// 在处理嵌入文档的逻辑中（参考ExtractEmbeddedFiles.java的processEmbedded方法）
int count = 0; // 用于区分多个嵌入文件
File outputDir = new File("你的输出文件夹路径");

// 获取嵌入文档的元数据
Metadata metadata = new Metadata();
EmbeddedDocumentExtractor extractor = parser.getEmbeddedDocumentExtractor(metadata);

if (extractor.shouldParseEmbedded(metadata)) {
    try (InputStream embeddedStream = extractor.getEmbeddedStream(metadata)) {
        String fileName = null;
        // 优先取原始文件名
        String originalFileName = metadata.get(Metadata.ORIGINAL_FILE_NAME);
        if (originalFileName != null) {
            fileName = originalFileName;
        } else {
            // 若没有原始文件名，根据OLE类名或内容类型推断
            String oleClassName = metadata.get("OLE2_CLASS_NAME");
            String contentType = metadata.get(Metadata.CONTENT_TYPE);
            
            if ("WordPad.Document.1".equals(oleClassName) || "Write.Document.1".equals(oleClassName)) {
                fileName = "embedded_writedoc_" + count + ".rtf"; // 写字板通常存为RTF格式
            } else if ("text/rtf".equals(contentType)) {
                fileName = "embedded_rtf_" + count + ".rtf";
            } else {
                //  fallback到默认命名
                fileName = "OleObject_" + count + ".bin";
            }
        }
        
        // 保存文件
        File outputFile = new File(outputDir, fileName);
        Files.copy(embeddedStream, outputFile.toPath(), StandardCopyOption.REPLACE_EXISTING);
        count++;
    }
}

2. 针对写字板OLE对象单独解析内容 #

有些写字板文件是OLE容器包裹的RTF内容，你可以用Tika的OLE解析器直接提取内部的原始内容，而不是保存整个OLE二进制文件：

// 当检测到是写字板OLE对象时
if ("application/vnd.ms-office.oleobject".equals(metadata.get(Metadata.CONTENT_TYPE))) {
    String oleClassName = metadata.get("OLE2_CLASS_NAME");
    if ("WordPad.Document.1".equals(oleClassName)) {
        try (InputStream oleStream = extractor.getEmbeddedStream(metadata)) {
            // 使用Tika解析OLE流，获取RTF内容
            Tika tika = new Tika();
            String rtfContent = tika.parseToString(oleStream);
            
            // 保存为RTF文件
            File rtfFile = new File(outputDir, "wordpad_doc_" + count + ".rtf");
            try (FileWriter writer = new FileWriter(rtfFile)) {
                writer.write(rtfContent);
            }
            count++;
            continue; // 跳过默认的.bin保存逻辑
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

3. 确保依赖完整，避免解析缺失 #

如果你的项目缺少POI的Scratchpad模块，Tika可能无法正确识别写字板OLE对象。如果用Maven，记得添加以下依赖：

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>你的Tika版本（比如2.9.1）</version>
</dependency>
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers-standard-package</artifactId>
    <version>你的Tika版本</version>
</dependency>
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi-scratchpad</artifactId>
    <version>对应POI版本（和Tika依赖的POI版本一致）</version>
</dependency>

核心思路就是：通过元数据识别嵌入对象的真实类型，针对写字板文件做特殊处理，要么直接用原始文件名保存，要么解析OLE容器提取内部的RTF内容，这样就能保留原始格式和公式了。

内容的提问来源于stack exchange，提问作者SakshamB