Apache Tika Docker 镜像

Apache Tika Server Docker 镜像文档

镜像概述与主要用途

本镜像由 http://tika.apache.org 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 docker.xuanyuan.run/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 docker.xuanyuan.run/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 docker.xuanyuan.run/apache/tika:<version>

Docker Compose 示例

创建 docker-compose.yml：

yaml
version: '3'
services:
  tika-server:
    image: docker.xuanyuan.run/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 docker.xuanyuan.run/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：

1. 修改 Dockerfile 中的 apt-get 命令，添加目标语言包（如日语包 tesseract-ocr-jpn）
2. 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
• 官方发布说明：Docker 镜像中的二进制 JAR 源自 Apache Tika 官方分发站点，但 Apache 官方仅将源代码发布视为正式发布 artefact，详见 https://www.apache.org/dev/release-distribution.html

变更记录

2.5.0.1 及后续版本的详细变更，参见 https://github.com/apache/tika-docker/blob/master/CHANGES.md

更多信息

• Apache Tika Server 文档：http://wiki.apache.org/tika/TikaJAXRS
• Apache Tika 官方网站：http://tika.apache.org
• Apache 软件基金会：http://apache.org

贡献者

GitHub 贡献者列表：https://github.com/apache/tika-docker/graphs/contributors，包括 @grossws、@arjunyel、@mpdude、@laszlocsontosuw、@tballison 等

免责声明

本 Docker 镜像下载并使用 Apache Tika 团队在 Apache 软件基金会分发站点发布的二进制 JAR，但根据 Apache 发布政策，仅源代码发布为官方正式 artefact。详情参见 https://www.apache.org/dev/release-distribution.html。