大家好，我是直奔標杆！今天继续咱们《Spring AI 零基础到实战》系列的第十节分享，全程实战干货，适合Java开发者跟着练，一起吃透Spring AI文档解析核心能力，共同进步～

在上一节《Java开发者AI转型第九课！突破知识边界！企业级 RAG (检索增强生成) 核心架构与 ETL 管道初探》的分享中，咱们已经明确了企业级RAG落地的第一步——ETL数据管道的E（Extract，抽取）环节，这也是搭建企业知识库的基础前提。

做过企业级开发的小伙伴都清楚，咱们日常接触的文件五花八门：PDF格式的财报、Word版的简历、HTML网页资料，还有平时记笔记用的Markdown文档。但大模型本质上只能处理纯文本字符串，根本没法直接“识别”这些夹杂着图片、表格和复杂排版的二进制物理文件。

所以，咱们迫切需要一款“万能工具”，能把这些千奇百怪的文件格式，统一提取出纯净文本，并且封装到Spring AI标准的Document领域对象中，为后续的RAG流程铺路。

好在Spring AI已经帮咱们集成了Java领域非常强大的文件解析工具（比如Apache Tika和PDFBox），今天咱们就手把手代码实战，把物理文件成功“加载”到内存中，迈出搭建企业知识库的关键一步，建议大家跟着敲一遍代码，加深理解！

本节学习目标（建议收藏）

  • 统一抽象：掌握Spring生态下标准化的文件加载方式（org.springframework.core.io.Resource），适配各类文件读取场景。

  • 万能解析：实战运用TikaDocumentReader，一键搞定Word/PPT/HTML等上百种文件格式的文本提取，高效又便捷。

  • 精准拆分：实战使用PagePdfDocumentReader，实现PDF文件按页精准读取，解决大文件解析痛点。

  • 多模态进阶：自定义文档读取器，深度拆解如何同时提取PDF中的文本与图片，打造图文并茂的Document对象，适配多模态大模型需求。

物理文件 → 数字资产：解析流程拆解

在动手写代码之前，咱们先通过架构逻辑，直观理解一下：各类格式的物理文件，是如何通过Spring AI的解析引擎，被“处理”成标准化的Document对象的？

核心逻辑很简单：无论你传入的是哪种格式的文件，只要经过DocumentReader的解析处理，最终输出的一定是结构统一的Document对象集合——每个对象都包含唯一ID、文本内容Content和溯源元数据Metadata，这也是后续RAG检索的核心数据载体。

前置准备：依赖引入与测试文件

在Spring Boot项目中读取文件，咱们可以借助底层的org.springframework.core.io.Resource接口，非常便捷。建议大家把测试用的PDF或Word文档，放在src/main/resources/docs目录下，方便后续读取。

直奔標杆这里准备了两个测试PDF文件，大家可以参考：sample.pdf（纯文字内容）和sample2.pdf（包含图片内容），用于后续不同场景的实战测试。

默认情况下，Spring AI自带JSON和纯文本的简单提取器，无需额外引入依赖。但如果要解析HTML、PDF、Word这类复杂文档，就需要在pom.xml中显式引入对应的读取器组件，咱们后续以PDF解析为例，直接上依赖代码（可直接复制使用）：

<!-- 1. Tika解析器：万能解析工具（支持Word、PPT、HTML、TXT等上百种格式） -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-tika-document-reader</artifactId>
</dependency>

<!-- 2. PDF专用解析器：按页精准拆分（基于Apache PDFBox，适配PDF专项解析场景） -->
<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-pdf-document-reader</artifactId>
</dependency>

实战一：TikaDocumentReader——万能解析“神器”

Apache Tika相信很多小伙伴都用过，它能从几乎所有主流文档格式中提取文本，而Spring AI将其封装成了TikaDocumentReader，调用起来非常简单，两行核心代码就能搞定，咱们直接上测试用例（注释很详细，新手也能看懂）：

// 直奔標杆：TikaDocumentReader实战测试
@Test
void extractWithTika() {
    // 1. 实例化TikaDocumentReader，传入测试文件资源
    TikaDocumentReader reader = new TikaDocumentReader(samplePdfResource);

    // 2. 调用get()方法，触发底层解析引擎，完成全量解析
    List<Document> documents = reader.get();

    // 3. 打印解析结果，查看核心信息
    Document doc = documents.get(0);
    System.out.println("【文档ID】: " + doc.getId());
    System.out.println("【文档内容前100字】: " +
            doc.getText().substring(0, Math.min(100, doc.getText().length())));
    System.out.println("【元数据Metadata】: " + doc.getMetadata());
}

运行结果与解析

【文档 ID】: f4e9f440-6047-4318-8b9f-2eed92428eb8
【文档内容前100字】: 
1. 《春晓》·孟浩然
春眠不觉晓，处处闻啼⻦。
夜来⻛⾬声，花落知多少。
...
【元数据 Metadata】: {source=sample.pdf}

这里和大家拆解一下：TikaDocumentReader的解析逻辑非常直接高效，它会把整个文件的文本内容全部提取出来，封装到一个单独的Document对象中。

✅ 优点：兼容性极强，万物皆可解析，代码极简，适合快速提取各类文件的文本内容，不用单独适配不同格式。

❌ 痛点：解析逻辑比较“粗暴”，如果你的PDF有100页，Tika会把所有内容揉成一个几十万字的“大文本块”。不仅大模型的Token窗口扛不住，更关键的是丢失了页码定位信息，后续RAG检索时无法精准溯源，这在企业级场景中是比较致命的。

实战二：PagePdfDocumentReader——PDF精准按页解析

为了解决Tika解析的痛点，如果咱们的业务场景明确是处理PDF文件，建议使用Spring AI基于Apache PDFBox引擎封装的PagePdfDocumentReader。它的核心优势的是：按页解析，一页生成一个独立的Document对象，完美保留页码信息。

直接上实战代码，包含解析规则配置，大家可以按需调整：

// 直奔標杆：PagePdfDocumentReader实战测试（PDF按页解析）
@Test
void extractWithPdfReader() {
    // 1. 配置PDF解析规则，优化解析效果（忽略页眉页脚，避免无关文本干扰）
    PdfDocumentReaderConfig config = PdfDocumentReaderConfig.builder()
            .withPageTopMargin(0)    // 忽略页眉
            .withPageBottomMargin(0) // 忽略页脚
            .withPageExtractedTextFormatter(ExtractedTextFormatter.builder()
                    .withNumberOfTopTextLinesToDelete(0)
                    .build())
            .build();

    // 2. 实例化PDF专用解析器，传入文件资源和解析配置
    PagePdfDocumentReader reader = new PagePdfDocumentReader(sample2PdfResource, config);

    // 3. 触发解析，获取解析后的Document集合
    List<Document> documents = reader.get();
    System.out.println("共解析出 " + documents.size() + " 页独立内容。");

    // 4. 遍历打印每一页的核心信息
    for (int i = 0; i < documents.size(); i++) {
        Document doc = documents.get(i);
        System.out.println("\n--- 第 " + (i + 1) + " 个Document对象 ---");
        System.out.println("【文档ID】: " + doc.getId());
        System.out.println("【纯文本内容】: " + doc.getText().trim());
        // 重点关注：元数据中会包含页码信息，方便后续溯源
        System.out.println("【元数据Metadata】: " + doc.getMetadata());
    }
}

运行结果与核心亮点

共解析出 2 页独立内容。

--- 第 1 个 Document 对象 ---
【文档 ID】: f6e8b2d5-e030-4e59-9f57-535b7c5dfd0b
【纯文本内容】: 1. 《春晓》·孟浩然...                                                                                                                                                                                          
【元数据 Metadata】: {page_number=2, file_name=sample2.pdf}

这就是企业级场景中推荐的高质量数据清洗方式！解析器会自动将当前内容的“页码”“文件名”等信息存入metadata字典中。后续大模型基于这页内容回答用户问题时，咱们就能从Metadata中提取出page_number，直接在前端标注“此回答参考自第X页”，提升回答的可信度和可追溯性，这一点非常实用～

但这里有个小问题：原生的PagePdfDocumentReader默认只提取文本内容，咱们测试用的sample2.pdf中包含的图片，并没有被解析出来——这在多模态大模型时代，显然满足不了需求，因为图片中往往包含架构图、流程图等关键信息。

实战三：进阶自定义——分离式多模态PDF读取器

随着多模态大模型的普及，图片解析已经成为企业级AI应用的常见需求。为了同时提取PDF中的文本和图片，直奔標杆这里给大家分享一个自定义读取器：SeparatedMultimodalPdfReader，核心思路是“分离提取、分类标注”。

核心设计理念：目前主流向量数据库对图文混排的支持还比较有限，因此我们将文本和图片分离提取——一页PDF中的文本生成一个纯文本Document；页面中的每一张图片生成一个独立的、携带Media属性的图片Document，再通过Metadata给它们打上分类标签，确保两者互不干扰，后续可分别处理。

以下是精简后的核心实现代码（关键逻辑已标注，大家可直接复用改造）：

/**
 * 直奔標杆：分离式多模态PDF读取器（核心代码片段）
 * 核心功能：将PDF中的文本和图片分离提取，分别封装为独立的Document对象，方便后续多模态处理
 */
public class SeparatedMultimodalPdfReader implements DocumentReader {

    // 自定义Metadata标签，用于区分Document类型（文本/图片）
    public static final String METADATA_CONTENT_TYPE = "content_type";
    public static final String CONTENT_TYPE_TEXT = "text";
    public static final String CONTENT_TYPE_IMAGE = "image";
    
    // ... 省略构造函数与PDFBox初始化代码（核心是初始化PDF解析相关资源） ...

    @Override
    public List<Document> get() {
        List<Document> readDocuments = new ArrayList<>();
        // ... 省略分页遍历逻辑（核心是遍历PDF的每一页，分别处理文本和图片） ...

        for (PDPage page : pages) {
            // 1. 提取当前页纯文本，生成文本类型Document
            String pageText = extractText(page); 
            if (StringUtils.hasText(pageText)) {
                readDocuments.add(createTextDocument(pageText, pageNumber));
            }

            // 2. 提取当前页所有图片，生成独立的图片类型Document
            List<Document> imageDocs = extractImageDocumentsFromPage(page, pageNumber);
            readDocuments.addAll(imageDocs);
        }
        return readDocuments;
    }

    /**
     * 核心方法：将页面中的每张图片提取为独立的Document对象
     */
    private List<Document> extractImageDocumentsFromPage(PDPage page, int pageNumber) throws IOException {
        List<Document> imageDocs = new ArrayList<>();
        PDResources resources = page.getResources();
        // ... 省略资源判空与遍历逻辑（核心是遍历页面中的所有图片资源） ...

        // 发现图片对象（PDImageXObject），开始提取处理
        if (xObject instanceof PDImageXObject pdImage) {
            BufferedImage image = pdImage.getImage();
            byte[] imageBytes = convertToBytes(image); // 将图片转为字节流，方便后续处理

            // 1. 构建Spring AI的Media多媒体对象，封装图片信息
            String mimeType = "image/" + pdImage.getSuffix();
            Media media = new Media(MimeTypeUtils.parseMimeType(mimeType), new ByteArrayResource(imageBytes));

            // 2. 注入自定义Metadata，标记图片类型，方便后续区分
            Map<String, Object> metadata = new HashMap<>();
            metadata.put("page_number", pageNumber); // 保留图片所在页码，方便溯源
            metadata.put(METADATA_CONTENT_TYPE, CONTENT_TYPE_IMAGE); // 关键：标记为图片类型

            // 3. 构造携带图片的Document对象，加入集合
            imageDocs.add(new Document(media, metadata));
        }
        return imageDocs;
    }
    
    // ... 省略createTextDocument等辅助方法（核心是生成文本类型Document） ...
}

多模态解析实战测试（关键一步）

有了这个自定义读取器，咱们就可以同时提取PDF中的文本和图片，并且能直接将图片传入多模态大模型（如GPT-4o）解析图片内容，或者存入向量数据库实现“以图搜图”，完美适配多模态场景需求。

直接上测试代码，演示如何区分文本和图片，并调用大模型解析图片：

// 直奔標杆：多模态解析实战测试（提取文本+图片，并解析图片内容）
@Test
void extractWithSeparatedMultimodalPdfReader() {
    SeparatedMultimodalPdfReader reader = new SeparatedMultimodalPdfReader(sample2PdfResource, config);
    List<Document> documents = reader.get();

    // 遍历解析结果，区分文本和图片，分别处理
    for (Document doc : documents) {
        // 利用自定义Metadata标签，区分当前Document是文本还是图片
        String contentType = (String) doc.getMetadata().get(SeparatedMultimodalPdfReader.METADATA_CONTENT_TYPE);

        if (SeparatedMultimodalPdfReader.CONTENT_TYPE_TEXT.equals(contentType)) {
            System.out.println("【纯文本内容】: " + doc.getText().trim());
        } else {
            // 如果是图片Document，直接调用大模型的视觉能力（Vision）解析图片内容
            UserMessage userMessage = UserMessage.builder()
                    .text("详细描述这张图的内容，重点说明核心信息")
                    .media(Media.builder()
                            .mimeType(MimeTypeUtils.IMAGE_PNG)
                            .data(doc.getMedia().get(0).getData())
                            .build())
                    .build();
            
            // 调用大模型，获取图片解析结果
            String imageDesc = chatClientBuilder.build().prompt()
                    .messages(userMessage)
                    .call()
                    .content();
            System.out.println("【图片AI解析内容】: " + imageDesc);
        }
    }
}

运行结果与总结

共解析出 4 页独立内容。

--- 第 1 个 Document 对象 (图片) ---
【图片 AI 解析内容】: 这张图片的内容是关于设计和实现一个基于知识图谱（KG）与检索增强生成（RAG）的考研智能问答系统。核心在于构建结构化知识，并研发能够精准解答问题的智能检索引擎...

这样一来，PDF中隐藏的图片就被完美提取并解析了！大模型相当于充当了“高级OCR”的角色，帮我们精准识别图片中的复杂内容（比如架构图、流程图），这在企业级知识库搭建中非常实用，能最大程度保留文件中的关键信息。

本节课核心总结（必看）

今天咱们实战了三种文档解析方式：TikaDocumentReader（万能解析）、PagePdfDocumentReader（PDF精准按页解析）、自定义SeparatedMultimodalPdfReader（多模态解析），虽然用法不同，但它们有一个共同的核心使命——产出标准化的List<Document>。

这个Document对象，就是后续所有RAG检索、向量运算的“通用数据载体”，相当于咱们搭建企业知识库的“基础积木”。

通过本节课的实战，咱们成功跑通了RAG的第一步（ETL - E抽取环节），把物理文件转换成了内存中的标准化数字资产。但新的挑战也随之而来：

如果用Tika解析，100页的PDF会被揉成一个庞大的Document；哪怕是按页解析的PagePdf，一页的文字也可能高达2000字。而大模型的上下文窗口是有限的，咱们绝对不能把这么大段的内容直接用于Embedding（向量化）和入库——必须把它切得更小、更精细，这就是咱们下一节课的核心内容。

下节预告（持续跟进不迷路）

下一节，咱们将进入《Java开发者AI转型第十一课！文本切分术！Spring AI 智能分块 (Text Splitters) 与 Overlap 语义防割裂指南》，重点学习RAG ETL管道中的T（Transform，转换）环节：

  • 如何精准将大段文本切分成500字左右的小片段（Chunk）？

  • 什么是Chunk Size（块大小）和Overlap（重叠度），核心作用是什么？

  • 如果不设置Overlap，会导致“一刀切断上下文”的严重问题吗？如何避免？

干货持续输出，跟着直奔標杆一起，从零基础吃透Spring AI，顺利完成Java开发者的AI转型，咱们下节课见！

往期回顾（方便大家连贯学习）

  • Java开发者AI转型第七课！AI失忆症克星！ChatMemory对话历史管理与上下文实战

  • Java开发者AI转型第八课！避开Token陷阱！Spring AI记忆裁剪源码解析与Token级防溢出核心技巧

  • Java开发者AI转型第九课！突破知识边界！企业级 RAG (检索增强生成) 核心架构与 ETL 管道初探

我是直奔標杆，专注Java开发者AI转型实战分享，每节课都贴合实际开发场景，拒绝纸上谈兵。大家在实战过程中有任何问题，欢迎在评论区留言交流，一起学习、一起进步，共同成为AI时代的Java标杆开发者！

# java # 人工智能 # spring # spring boot # 后端
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

2025届最火的降AI率平台实际效果

avatar AtomGit开源社区
cover

主流企业知识库方案对比：开源自建vs SaaS vs私有化平台

avatar AtomGit开源社区
cover

OFIRM 视角下的多重宇宙：双拐点确认度增长模型之本宇宙V4.13【1.洞察Logistics忽视的任何演化系统起初的暴涨阶段；2.双拐点的曲线的极致对比，开始暴涨和整体几乎可以忽略的开始暴涨，】

avatar AtomGit开源社区