Apache Tika解析时如何使用内存而非临时文件？

Tika默认会将需要重复读取的输入流写入磁盘临时文件，即便内存充足也会触发这个逻辑。要强制使用内存作为临时存储，需配置内存型临时文件工厂，具体修改如下：

步骤1：引入必要依赖类 #

确保项目中包含Tika核心IO模块（通常随Tika-core或tika-parsers依赖自带），需要用到以下类：

import org.apache.tika.io.TemporaryResources;
import org.apache.tika.io.MemoryTempFileFactory;
import org.apache.tika.io.TikaInputStream;

步骤2：配置内存临时存储并修改解析代码 #

替换原输入流处理逻辑，添加内存临时存储的配置：

// 初始化核心解析组件
BodyContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
ParseContext pcontext = new ParseContext();

// 配置内存临时文件工厂：设置最大内存阈值（示例为32GB，根据你的-Xmx值调整）
long maxMemoryThreshold = 32L * 1024 * 1024 * 1024; // 32GB
MemoryTempFileFactory tempFileFactory = new MemoryTempFileFactory(maxMemoryThreshold);
TemporaryResources tempResources = new TemporaryResources();
tempResources.setTempFileFactory(tempFileFactory);

// 将临时资源注入解析上下文
pcontext.set(TemporaryResources.class, tempResources);

// 使用TikaInputStream包装原文件流（适配Tika缓存逻辑，推荐使用）
try (TikaInputStream tikaStream = TikaInputStream.get(new File("D:/projects/example.mp4"), tempResources)) {
    MP4Parser mp4Parser = new MP4Parser();
    mp4Parser.parse(tikaStream, handler, metadata, pcontext);

    // 输出元数据
    System.out.println("Metadata of the document:");
    String[] metadataNames = metadata.names();
    for(String name : metadataNames) {
        System.out.println(name + ": " + metadata.get(name));
    }
} catch (Exception e) {
    e.printStackTrace();
} finally {
    // 强制释放临时资源，避免内存泄漏
    try {
        tempResources.close();
    } catch (IOException e) {
        e.printStackTrace();
    }
}

关键说明 #

• 内存阈值设置：如果文件大小超过设定的maxMemoryThreshold，Tika仍会自动 fallback 到磁盘临时文件。请根据你的堆内存（如你设置的-Xmx48g）合理调整阈值，建议预留10-15GB堆内存给其他程序逻辑。
• 资源释放：必须在finally块中关闭TemporaryResources和输入流，避免内存泄漏。
• TikaInputStream优势：相比直接使用FileInputStream，TikaInputStream会自动适配Tika的缓存策略，确保内存临时存储配置生效。

内容的提问来源于stack exchange，提问作者Thomas P