Apache Tika Server Docker 镜像文档

镜像概述与主要用途

本镜像由 Apache Tika 开发团队维护，提供便捷的 Apache Tika Server 容器化部署方案。基于 Ubuntu 系统构建，内置对应版本的 Java 运行环境，可快速启动 Tika Server 实例，实现文档内容提取、格式解析等功能。镜像分为两个版本：

基础版（minimal）：仅包含 Apache Tika 核心依赖
完整版（full）：额外集成 GDAL 和 Tesseract OCR 解析器依赖，并预装英文、法语、德语、意大利语、西班牙语的语言包

核心功能与特性

基础功能

多格式文档解析：支持解析上千种文件格式（如 PDF、Office、HTML 等），提取文本内容与元数据
跨版本 Java 支持：根据 Tika 版本自动适配 Java 环境（1.20 及以下用 Java 8，1.21-1.24.1 用 Java 11，1.27/2.0.0 前用 Java 14，新版本用 Java 16）
轻量级部署：基础版镜像体积较小，适合仅需核心解析能力的场景

完整版增强特性

OCR 支持：集成 Tesseract OCR 引擎，可提取图片或扫描文档中的文本
地理数据解析：通过 GDAL 支持地理空间数据格式解析
多语言扩展：预装常用语言包，支持多语言文本识别

使用场景与适用范围

内容提取：需从各类文档中批量提取文本内容的应用（如搜索引擎索引、内容管理系统）
文档处理流水线：作为微服务集成到文档转换、元数据提取流程中
OCR 需求场景：需处理扫描文档、图片中的文字识别（仅完整版支持）
开发与测试环境：快速搭建 Tika Server 进行功能验证

使用方法与配置说明

1. 拉取镜像

通过 Docker Hub 拉取指定版本镜像：

bash
docker pull apache/tika:<version>

<version>：Tika Server 版本号，格式为 x.y.z（基础版）或 x.y.z-full（完整版），例如 2.5.0 或 2.5.0-full

2. 运行容器

基础运行命令

bash
docker run -d -p 127.0.0.1:9998:9998 apache/tika:<version>

参数说明：
- -d：后台运行容器
- -p 127.0.0.1:9998:9998：将容器内 9998 端口映射到宿主机的 127.0.0.1:9998（仅本地访问）

公开网络访问（需谨慎）

若确认容器运行在隔离网络中，可移除 127.0.0.1 绑定，允许外部访问：

bash
docker run -d -p 9998:9998 apache/tika:<version>

Docker Compose 示例

创建 docker-compose.yml：

yaml
version: '3'
services:
  tika-server:
    image: apache/tika:2.5.0-full  # 使用完整版示例
    ports:
      - "127.0.0.1:9998:9998"  # 仅本地访问
    restart: unless-stopped  # 容器退出时自动重启（非必要）

启动服务：

bash
docker-compose up -d

3. 构建自定义镜像

从源码构建镜像：

bash
docker build -t 'apache/tika' github.com/apache/tika-docker

构建后运行：

bash
docker run -d -p 127.0.0.1:9998:9998 apache/tika

4. 自定义配置

扩展语言包

完整版默认预装 5 种语言包，如需添加其他语言：

修改 Dockerfile 中的 apt-get 命令，添加目标语言包（如日语包 tesseract-ocr-jpn）
或通过 ADD 命令添加自定义语言包文件

注意事项

安全建议：默认推荐绑定 127.0.0.1，避免 Docker 调整 iptables 后将 Tika Server 暴露至公网
***发布说明：Docker 镜像中的二进制 JAR 源自 Apache Tika ***分发站点，但 Apache ***仅将源代码发布视为正式发布 artefact，详见发布分发政策