Skip to main content

Document Reader 使用指南

Spring AI Alibaba 提供了丰富的 Document Reader 扩展实现，支持从各种数据源读取文档内容。本文档将详细介绍 Document Reader 的使用方法，并列出所有支持的扩展实现。

目录​

概述​

Document Reader 是 Spring AI 中用于从不同数据源读取文档的核心接口。Spring AI Alibaba 扩展了该接口，提供了多种数据源的实现，包括：

  • 本地文件格式（Office 文档、PDF 等）
  • 云存储服务（腾讯云 COS、阿里云 OSS 等）
  • 数据库（MySQL、MongoDB、SQLite、Elasticsearch 等）
  • 在线平台（GitHub、GitLab、语雀、Notion、Bilibili、YouTube 等）
  • 其他数据源（邮件、归档文件等）

详细使用说明​

POI Document Reader 示例​

PoiDocumentReader 使用 Apache POI 库解析 Microsoft Office 文件，支持多种文件格式，包括：

  • Word 文档：.doc, .docx
  • PowerPoint 演示文稿：.ppt, .pptx
  • Excel 电子表格：.xls, .xlsx

依赖配置​

使用 Maven 添加依赖：

<dependency>
    <groupId>com.alibaba.cloud.ai</groupId>
    <artifactId>spring-ai-alibaba-starter-document-reader-poi</artifactId>
    <version>${version}</version>
</dependency>

基本使用​

示例 1：读取单个 Word 文档​
import com.alibaba.cloud.ai.reader.poi.PoiDocumentReader;
import org.springframework.ai.document.Document;
import org.springframework.ai.document.DocumentReader;
import org.springframework.stereotype.Component;

import java.util.List;

@Component
public class WordDocumentService {

    public List<Document> readWordDocument(String filePath) {
        // 使用文件路径创建 Reader
        DocumentReader reader = new PoiDocumentReader(filePath);
        
        // 读取文档内容
        List<Document> documents = reader.get();
        
        return documents;
    }
}
示例 2：使用 Resource 对象​
import com.alibaba.cloud.ai.reader.poi.PoiDocumentReader;
import org.springframework.ai.document.Document;
import org.springframework.core.io.Resource;
import org.springframework.core.io.ClassPathResource;

import java.util.List;

public class DocumentReaderExample {

    public List<Document> readFromClasspath() {
        // 从 classpath 读取资源
        Resource resource = new ClassPathResource("documents/sample.docx");
        
        // 创建 Reader
        PoiDocumentReader reader = new PoiDocumentReader(resource);
        
        // 读取文档
        return reader.get();
    }
}
示例 3：自定义文本格式化​
import com.alibaba.cloud.ai.reader.poi.PoiDocumentReader;
import org.springframework.ai.reader.ExtractedTextFormatter;

public class FormattedDocumentReader {

    public List<Document> readWithFormatting(String filePath) {
        // 创建自定义的文本格式化器
        ExtractedTextFormatter formatter = ExtractedTextFormatter.builder()
            .withNumberOfTopTextLinesToDelete(0)
            .withNumberOfBottomTextLinesToDelete(0)
            .build();
        
        // 使用格式化器创建 Reader
        PoiDocumentReader reader = new PoiDocumentReader(filePath, formatter);
        
        return reader.get();
    }
}
示例 4：读取 Excel 文件​
import com.alibaba.cloud.ai.reader.poi.PoiDocumentReader;
import org.springframework.ai.document.Document;

public class ExcelReaderExample {

    public void readExcelFile(String excelPath) {
        PoiDocumentReader reader = new PoiDocumentReader(excelPath);
        List<Document> documents = reader.get();
        
        // Excel 文件会按工作表（Sheet）组织内容
        for (Document doc : documents) {
            System.out.println("Content: " + doc.getText());
            System.out.println("Metadata: " + doc.getMetadata());
        }
    }
}
示例 5：在 Spring Boot 应用中使用​
import com.alibaba.cloud.ai.reader.poi.PoiDocumentReader;
import org.springframework.ai.document.Document;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;

import java.util.List;

@Service
public class DocumentProcessingService {

    @Autowired
    private VectorStore vectorStore;

    public void processDocument(String filePath) {
        // 1. 读取文档
        PoiDocumentReader reader = new PoiDocumentReader(filePath);
        List<Document> documents = reader.get();
        
        // 2. 处理文档（例如：文本分割）
        // TextSplitter splitter = new TokenTextSplitter();
        // List<Document> splitDocuments = splitter.transform(documents);
        
        // 3. 存储到向量数据库
        // vectorStore.write(splitDocuments);
    }
}

元数据​

PoiDocumentReader 会在每个 Document 的元数据中添加以下信息：

  • source: 文档的源路径或 URI

注意事项​

  1. 文件格式支持：确保文件格式在 Apache POI 的支持范围内
  2. 内存使用：处理大型文件时注意内存使用情况
  3. 异常处理：建议在生产环境中添加适当的异常处理逻辑
  4. 编码问题：某些旧格式的 Office 文档可能存在编码问题

完整示例：RAG 集成​

import com.alibaba.cloud.ai.reader.poi.PoiDocumentReader;
import org.springframework.ai.document.Document;
import org.springframework.ai.reader.tika.TikaDocumentReader;
import org.springframework.ai.transformer.splitter.TokenTextSplitter;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.stereotype.Component;

import java.util.List;

@Component
public class RAGDocumentLoader {

    private final VectorStore vectorStore;
    private final TokenTextSplitter textSplitter;

    public RAGDocumentLoader(VectorStore vectorStore, TokenTextSplitter textSplitter) {
        this.vectorStore = vectorStore;
        this.textSplitter = textSplitter;
    }

    public void loadDocumentToRAG(String filePath) {
        // 1. 读取文档
        PoiDocumentReader reader = new PoiDocumentReader(filePath);
        List<Document> documents = reader.get();
        
        // 2. 文本分割（将大文档分割成小块）
        List<Document> splitDocuments = textSplitter.transform(documents);
        
        // 3. 存储到向量数据库
        vectorStore.write(splitDocuments);
        
        System.out.println("成功加载 " + splitDocuments.size() + " 个文档块到向量数据库");
    }
    
    public List<Document> searchSimilarDocuments(String query) {
        // 从向量数据库检索相似文档
        return vectorStore.similaritySearch(query);
    }
}

支持的扩展实现​

下表列出了 Spring AI Alibaba 提供的所有 Document Reader 扩展实现：

模块名称ArtifactId支持的数据源/格式说明
Archivespring-ai-alibaba-starter-document-reader-archiveZIP, TAR, JAR 等归档文件从归档文件中提取并读取文档
ArXivspring-ai-alibaba-starter-document-reader-arxivArXiv 学术论文从 ArXiv 平台读取学术论文内容
Bilibilispring-ai-alibaba-starter-document-reader-bilibiliBilibili 视频读取 Bilibili 视频信息和字幕内容
ChatGPT Dataspring-ai-alibaba-starter-document-reader-chatgpt-dataChatGPT 导出数据读取 ChatGPT 导出的对话数据
Elasticsearchspring-ai-alibaba-starter-document-reader-elasticsearchElasticsearch 索引从 Elasticsearch 索引中读取文档
Emailspring-ai-alibaba-starter-document-reader-email邮件文件（.eml, .mbox）读取邮件文件内容
GitBookspring-ai-alibaba-starter-document-reader-gitbookGitBook 文档从 GitBook 平台读取文档
GitHubspring-ai-alibaba-starter-document-reader-githubGitHub 仓库从 GitHub 仓库读取文件和代码
GitLabspring-ai-alibaba-starter-document-reader-gitlabGitLab 仓库从 GitLab 仓库读取文件和代码
GPT Repospring-ai-alibaba-starter-document-reader-gpt-repoGPT 仓库从 GPT 仓库读取文档
HuggingFace FSspring-ai-alibaba-starter-document-reader-huggingface-fsHuggingFace 文件系统从 HuggingFace 文件系统读取文档
LarkSuitespring-ai-alibaba-starter-document-reader-larksuite飞书文档从飞书（LarkSuite）平台读取文档
Mboxspring-ai-alibaba-starter-document-reader-mboxMbox 邮件格式读取 Mbox 格式的邮件文件
MongoDBspring-ai-alibaba-starter-document-reader-mongodbMongoDB 数据库从 MongoDB 数据库读取文档
MySQLspring-ai-alibaba-starter-document-reader-mysqlMySQL 数据库从 MySQL 数据库读取数据并转换为文档
Notionspring-ai-alibaba-starter-document-reader-notionNotion 页面从 Notion 平台读取页面内容
Obsidianspring-ai-alibaba-starter-document-reader-obsidianObsidian 笔记从 Obsidian 笔记库读取 Markdown 文件
OneNotespring-ai-alibaba-starter-document-reader-onenoteOneNote 笔记读取 Microsoft OneNote 笔记内容
POIspring-ai-alibaba-starter-document-reader-poiDOC, DOCX, PPT, PPTX, XLS, XLSX使用 Apache POI 读取 Microsoft Office 文档
SQLitespring-ai-alibaba-starter-document-reader-sqliteSQLite 数据库从 SQLite 数据库读取数据
Tencent COSspring-ai-alibaba-starter-document-reader-tencent-cos腾讯云对象存储从腾讯云 COS 读取存储的文档
YouTubespring-ai-alibaba-starter-document-reader-youtubeYouTube 视频读取 YouTube 视频信息和字幕
YuQuespring-ai-alibaba-starter-document-reader-yuque语雀文档从语雀平台读取文档内容

使用说明​

所有 Document Reader 实现都遵循相同的使用模式：

  1. 添加依赖：在 pom.xml 或 build.gradle 中添加相应的依赖
  2. 创建 Reader：使用相应的 Reader 类创建实例
  3. 读取文档：调用 get() 方法获取 List<Document>
  4. 处理文档：对读取的文档进行进一步处理（如文本分割、向量化等）

通用接口​

所有 Document Reader 都实现了 DocumentReader 接口：

public interface DocumentReader extends Supplier<List<Document>> {
    List<Document> get();
}

依赖版本​

请根据项目需要选择合适的版本。建议使用最新的稳定版本，并确保与 Spring AI 核心库版本兼容。

更多信息​

  • 每个 Reader 的具体使用方法和配置选项，请参考各模块的文档
  • 对于需要认证的数据源（如 GitHub、Notion 等），请确保正确配置访问凭证
  • 某些 Reader 可能需要额外的依赖（如数据库驱动、API 客户端等）

注意：本文档基于当前可用的实现。随着项目的发展，可能会有新的 Reader 实现添加或现有实现的更新。建议定期查看项目文档以获取最新信息。

Spring AI Alibaba 开源项目基于 Spring AI 构建，是阿里云通义系列模型及服务在 Java AI 应用开发领域的最佳实践，提供高层次的 AI API 抽象与云原生基础设施集成方案，帮助开发者快速构建 AI 应用。