Apache Tika提取.doc文件时如何保留段落换行？

这个问题我之前处理旧版Word文档时也碰到过——默认配置下Tika对.doc（二进制Word格式）的段落解析逻辑确实和docx、pdf等格式不同，主要是因为旧版.doc的文件结构和OOXML格式差异较大，默认解析器没有自动添加段落分隔符。下面是几种可行的解决方法：

方法1：手动配置MSWordParser保留段落 #

不要直接用Tika类的默认parseToString方法，而是手动初始化解析器并配置参数，精准控制.doc文件的解析行为：

import org.apache.tika.parser.microsoft.OfficeParserConfig;
import org.apache.tika.parser.microsoft.MSWordParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.io.TikaInputStream;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.sax.BodyContentHandler;
import java.io.File;

public class DocParagraphFix {
    public static void main(String[] args) throws Exception {
        // 初始化内容处理器与元数据
        BodyContentHandler handler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        ParseContext context = new ParseContext();
        
        // 配置MSWordParser的段落保留参数
        OfficeParserConfig officeConfig = new OfficeParserConfig();
        officeConfig.setPreserveParagraphs(true); // 关键：开启段落分隔保留
        MSWordParser wordParser = new MSWordParser();
        wordParser.setOfficeParserConfig(officeConfig);
        
        // 将配置好的解析器放入上下文
        context.set(MSWordParser.class, wordParser);
        
        // 解析目标.doc文件（替换为你的文件路径）
        try (TikaInputStream stream = TikaInputStream.get(new File("test.doc"))) {
            wordParser.parse(stream, handler, metadata, context);
            String extractedText = handler.toString();
            // 此时提取的文本中，段落会以换行符分隔，和其他格式表现一致
            System.out.println(extractedText);
        }
    }
}

方法2：全局配置TikaConfig（批量处理场景适用） #

如果需要让配置全局生效，避免每次解析都手动设置，可以通过TikaConfig的XML配置文件批量配置：

1. 创建tika-config.xml文件，添加以下配置：

<?xml version="1.0" encoding="UTF-8"?>
<properties>
  <parsers>
    <parser class="org.apache.tika.parser.microsoft.MSWordParser">
      <params>
        <param name="preserveParagraphs" type="boolean">true</param>
      </params>
    </parser>
  </parsers>
</properties>

2. 在代码中加载该配置：

import org.apache.tika.Tika;
import org.apache.tika.config.TikaConfig;
import java.io.File;

public class GlobalTikaConfig {
    public static void main(String[] args) throws Exception {
        TikaConfig config = new TikaConfig(new File("tika-config.xml"));
        Tika tika = new Tika(config);
        String extractedText = tika.parseToString(new File("test.doc"));
        // 全局配置生效，提取的.doc文本会保留段落换行
    }
}

补充说明 #

• 该配置仅针对旧版.doc文件有效，.docx等OOXML格式默认已经会保留段落分隔，无需额外设置。
• 如果你使用的是Tika 1.x版本，API略有差异：没有OfficeParserConfig类，直接调用MSWordParser的setPreserveSpacing(true)方法即可达到类似效果。

内容的提问来源于stack exchange，提问作者dkaras