Agent Skills
返回列表
📁

Apache Tika 文档解析代理

办公效率 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_3c6cb52e/apache-tika-document-parser-agent。

技能介绍

它解决什么问题

把非结构化文档变成可供检索、摘要或入库的文本，往往是工程链路里最先卡住的一环。Office 文档、PDF、邮件归档各自有独立的解析栈，自己写转换器意味着要维护一份不断膨胀的格式清单，还要处理加密、损坏文件和元数据提取的差异。当格式数量增长到上千种时，自研方案的维护成本会很快超过它的收益。

核心能力与关键步骤

技能挂在 Apache Tika 服务器的 REST API 之上，把解析动作交给 Tika 服务端，而不是在本地进程内调用解析库。典型流程：

  • 向 Tika 服务发起解析请求，传入文件流或目标路径
  • 服务返回纯文本，以及结构化元数据（作者、创建时间、生成工具版本等）
  • 对 PDF 等扫描件，走 Tesseract 集成完成 OCR
  • 对 Office 文档，由 Tika 的解析器链负责拆解
  • 对邮件归档，依赖 MIME 检测识别内部结构后再提取

覆盖 1000 多种文件格式的文本与元数据提取。在 Java 侧调用时，可以直接从 org.apache.tika 的相关入口驱动解析。

适用边界与注意点

  • 需要一个可访问的 Tika 服务端，这不是纯本地库调用，部署前提要先满足
  • OCR 质量取决于 Tesseract 及其语言包，扫描质量差的 PDF 输出会不稳定
  • 上游在 tika-integration-tests 中使用 Docker，未安装 Docker 时这些测试会被跳过，集成验证可能不完整
  • 加密或损坏的文件可能解析失败，上层调用方需要做容错处理

使用场景

  • 内容入库前，要把大量 Office 与 PDF 批量转为纯文本并写进搜索索引
  • 面对一份没有文本层的扫描版 PDF，需要识别其中的文字再进入下游处理
  • 邮件归档要按 MIME 结构拆开，分别提取正文与附件内容
  • 要把文档的作者、创建时间等元数据一并取出并存入数据库

适合人员

  • 负责把历史文档批量转为可检索语料的数据工程师
  • 需要从扫描件 PDF 中提取文字用于审计或分析的后端工程师
  • 处理大量邮件归档并要拆出正文与附件的运维或 SRE
  • 正在搭建文档库、需要同时获取正文和元数据的全栈开发者