🔍 Guide Apache Tika Server - Document Parsing API

📋 Vue d'ensemble

Apache Tika est un serveur de parsing de documents qui extrait du texte et des métadonnées depuis plus de 1000+ formats de fichiers (PDF, Office, HTML, images avec OCR, etc.).

Version déployée : Apache Tika 3.2.3 (latest-full avec Tesseract OCR) Type : Docker container Port : 9998 API : REST (HTTP)

📊 Informations du déploiement

Propriété	Valeur
Serveur	srv759970.hstgr.cloud (69.62.108.82)
Chemin	`/opt/tika-server/`
Container	`tika-server`
Image Docker	`apache/tika:latest-full`
Port interne	9998
Port externe	9998
Auto-restart	Oui (`unless-stopped`)
Healthcheck	Activé (30s interval)

🚀 Accès et utilisation

URL d'accès

Production (HTTPS) :

https://tika.srv759970.hstgr.cloud

Local (sur le serveur) :

http://localhost:9998

Direct (non recommandé) :

http://69.62.108.82:9998

Recommandation : Utilisez toujours l'URL HTTPS pour un accès sécurisé depuis l'extérieur.

🔧 Utilisation de l'API

1. Vérifier que le serveur fonctionne

curl -X GET https://tika.srv759970.hstgr.cloud/tika

Réponse attendue :

This is Tika Server (Apache Tika 3.2.3). Please PUT

2. Obtenir la version

curl -X GET https://tika.srv759970.hstgr.cloud/version

Réponse :

Apache Tika 3.2.3

3. Parser un document (extraire le texte)

curl -X PUT --data-binary @document.pdf \
  https://tika.srv759970.hstgr.cloud/tika \
  --header "Accept: text/plain"

Formats supportés : - PDF - Microsoft Office (Word, Excel, PowerPoint) - OpenOffice/LibreOffice - HTML, XML - Images (avec OCR Tesseract) : PNG, JPG, TIFF - Archives : ZIP, TAR, GZIP - Et 1000+ autres formats

4. Extraire les métadonnées

curl -X PUT --data-binary @document.pdf \
  https://tika.srv759970.hstgr.cloud/meta \
  --header "Accept: application/json"

Retourne : Métadonnées JSON (auteur, date création, titre, format, etc.)

5. Détecter le type MIME d'un fichier

curl -X PUT --data-binary @unknown-file \
  https://tika.srv759970.hstgr.cloud/detect/stream

📚 Endpoints principaux

Endpoint	Méthode	Description
`/tika`	GET	Informations serveur
`/tika`	PUT	Extraire texte d'un document
`/meta`	PUT	Extraire métadonnées JSON
`/detect/stream`	PUT	Détecter type MIME
`/version`	GET	Version Apache Tika
`/tika/form`	POST	Upload multipart form
`/rmeta`	PUT	Métadonnées récursives (archives)

Documentation complète : https://cwiki.apache.org/confluence/display/TIKA/TikaServer

🐳 Gestion du container

Voir les logs

ssh root@69.62.108.82 "docker logs tika-server --tail=50 -f"

Redémarrer le serveur

ssh root@69.62.108.82 "cd /opt/tika-server && docker-compose restart"

Arrêter le serveur

ssh root@69.62.108.82 "cd /opt/tika-server && docker-compose down"

Démarrer le serveur

ssh root@69.62.108.82 "cd /opt/tika-server && docker-compose up -d"

Mettre à jour vers la dernière version

ssh root@69.62.108.82 "cd /opt/tika-server && docker-compose pull && docker-compose up -d"

Vérifier l'état du container

ssh root@69.62.108.82 "docker ps | grep tika"

Vérifier le healthcheck

ssh root@69.62.108.82 "docker inspect tika-server | grep -A 10 Health"

🌐 Configuration Nginx (optionnel - accès HTTPS public)

Pour exposer Tika via HTTPS avec un sous-domaine :

Créer la configuration Nginx

ssh root@69.62.108.82 "cat > /etc/nginx/sites-available/tika" <<'EOF'
server {
    listen 80;
    server_name tika.srv759970.hstgr.cloud;

    location / {
        proxy_pass http://localhost:9998;
        proxy_http_version 1.1;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;

        # Augmenter timeout pour gros documents
        proxy_read_timeout 300s;
        proxy_connect_timeout 75s;

        # Augmenter taille max upload
        client_max_body_size 100M;
    }
}
EOF

Activer le site

ssh root@69.62.108.82 "ln -s /etc/nginx/sites-available/tika /etc/nginx/sites-enabled/"
ssh root@69.62.108.82 "nginx -t && systemctl reload nginx"

Obtenir un certificat SSL (Let's Encrypt)

ssh root@69.62.108.82 "certbot --nginx -d tika.srv759970.hstgr.cloud"

URL finale : https://tika.srv759970.hstgr.cloud

✅ Statut : Configuré et opérationnel

💡 Exemples d'utilisation

Exemple Python

import requests

# Parser un PDF
with open('document.pdf', 'rb') as f:
    response = requests.put(
        'https://tika.srv759970.hstgr.cloud/tika',
        data=f,
        headers={'Accept': 'text/plain'}
    )
    text = response.text
    print(text)

# Extraire métadonnées
with open('document.pdf', 'rb') as f:
    response = requests.put(
        'https://tika.srv759970.hstgr.cloud/meta',
        data=f,
        headers={'Accept': 'application/json'}
    )
    metadata = response.json()
    print(metadata)

Exemple JavaScript (Node.js)

const fs = require('fs');
const axios = require('axios');

// Parser un document
const fileBuffer = fs.readFileSync('document.pdf');

axios.put('https://tika.srv759970.hstgr.cloud/tika', fileBuffer, {
    headers: {
        'Accept': 'text/plain'
    }
})
.then(response => {
    console.log(response.data);
})
.catch(error => {
    console.error('Error:', error);
});

Exemple cURL (batch de fichiers)

# Parser tous les PDFs d'un dossier
for file in *.pdf; do
    echo "Processing: $file"
    curl -X PUT --data-binary @"$file" \
        https://tika.srv759970.hstgr.cloud/tika \
        --header "Accept: text/plain" \
        > "${file%.pdf}.txt"
done

⚠️ Limites et recommandations

Limites actuelles

Taille max documents : Limitée par RAM disponible (~2GB recommandé par document)
Timeout : 2 minutes par défaut (configurable)
Concurrent requests : Limité par CPU/RAM serveur

Bonnes pratiques

Documents volumineux : Traiter par batch ou augmenter timeout
Sécurité : Ne pas exposer directement sur Internet sans authentification
Performance : Pour volumes élevés, considérer un cluster Tika
OCR : Ralentit le traitement, désactiver si pas nécessaire

Optimisation pour production

# docker-compose.yml avec configuration optimisée
version: '3.8'
services:
  tika:
    image: apache/tika:latest-full
    container_name: tika-server
    ports:
      - "9998:9998"
    restart: unless-stopped
    environment:
      - TZ=Europe/Paris
      - TIKA_CONFIG=/tika-config.xml  # Config personnalisée
    volumes:
      - ./tika-config.xml:/tika-config.xml:ro
    deploy:
      resources:
        limits:
          memory: 4G
          cpus: '2.0'

🔍 Troubleshooting

Le serveur ne démarre pas

# Vérifier les logs
ssh root@69.62.108.82 "docker logs tika-server"

# Vérifier que le port n'est pas utilisé
ssh root@69.62.108.82 "netstat -tlnp | grep 9998"

# Rebuild from scratch
ssh root@69.62.108.82 "cd /opt/tika-server && docker-compose down && docker-compose pull && docker-compose up -d"

Erreur "Out of Memory"

# Augmenter la RAM allouée au container
# Modifier docker-compose.yml :
deploy:
  resources:
    limits:
      memory: 4G

Timeout sur gros documents

# Augmenter le timeout dans la requête
curl -X PUT --data-binary @large.pdf \
    --max-time 600 \
    http://69.62.108.82:9998/tika

Problème OCR (images)

# Vérifier que Tesseract est bien inclus (version full)
ssh root@69.62.108.82 "docker exec tika-server tesseract --version"

📊 Monitoring et maintenance

Vérifier l'utilisation des ressources

ssh root@69.62.108.82 "docker stats tika-server --no-stream"

Logs de parsing

ssh root@69.62.108.82 "docker logs tika-server --since 1h"

Espace disque

ssh root@69.62.108.82 "docker system df"

🔗 Ressources utiles

Documentation officielle : https://tika.apache.org/
API REST docs : https://cwiki.apache.org/confluence/display/TIKA/TikaServer
Docker Hub : https://hub.docker.com/r/apache/tika
GitHub : https://github.com/apache/tika
Formats supportés : https://tika.apache.org/2.6.0/formats.html

📝 Configuration actuelle (docker-compose.yml)

version: '3.8'

services:
  tika:
    image: apache/tika:latest-full
    container_name: tika-server
    ports:
      - "9998:9998"
    restart: unless-stopped
    environment:
      - TZ=Europe/Paris
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:9998/tika"]
      interval: 30s
      timeout: 10s
      retries: 3
      start_period: 40s

✅ Checklist de déploiement

Container Docker créé et démarré
API accessible sur port 9998
Healthcheck configuré et opérationnel
Tests de parsing réussis
Logs vérifiés (pas d'erreur)
Nginx reverse proxy configuré
Certificat SSL installé (Let's Encrypt)
HTTPS fonctionnel sur https://tika.srv759970.hstgr.cloud
(Optionnel) Authentification ajoutée

Dernière mise à jour : Octobre 2025 Version Apache Tika : 3.2.3 Status : ✅ En production Contact serveur : root@69.62.108.82