kujira/tika

镜像概述

本镜像为Apache Tika Server的可配置Docker镜像。Apache Tika是Apache软件基金会旗下的内容检测与分析框架，支持对PPT、XLS、PDF等千余种文件类型进行文本提取，广泛应用于搜索引擎索引、内容分析、翻译等场景。

核心功能

• 支持千余种文件类型的文本提取
• 提供丰富的环境变量配置，可调整文本提取行为（如CSV识别置信度、HTML脚本提取开关等）
• 集成Tesseract OCR功能，支持多语言文本识别
• 支持PDF书签、注释提取及OCR策略配置
• 轻量级部署，无数据存储需求

使用场景

• 搜索引擎索引：提取文档内容用于全文检索
• 内容分析：批量处理文档获取关键信息
• 翻译辅助：提取多格式文档文本用于机器翻译
• 数据挖掘：从结构化/非结构化文档中提取有效数据

配置说明

部署方式

Docker Run命令

bash
docker run -d -p 9998:9998 --name some-tika kujira/tika

Docker Compose配置

yml
version: '3.1'
services:
  tika:
    image: kujira/tika
    restart: always
    ports:
      - 9998:9998

端口映射

容器暴露9998端口，通过-p 9998:9998映射后，可通过http://localhost:9998访问服务。

环境变量配置

可通过环境变量调整Tika Server行为，主要变量包括：

• TIKA_TEXT_CSV_CONFIDENCE：CSV文件识别置信度（默认0.5）
• TIKA_HTML_EXTRACT_SCRIPTS：是否提取HTML脚本（默认false）
• TIKA_OFFICE_EXTRACT_MACROS：是否提取VBA宏（默认false）
• TIKA_TESSERACT_OCR_LANGUAGE：OCR语言模型（默认eng，支持多语言拼接如eng+deu）
• TIKA_PDF_OCR_STRATEGY：PDF OCR策略（默认no_ocr，可选ocr_only/ocr_and_text/auto）
• 更多变量可参考镜像官方文档，用于调整Office文档提取、PDF处理等细节。