本文主要介绍了如何使用 Spring Boot 和 Apache Tika 实现数据泄露防护和敏感信息检测功能。

🚨【阿里云限时特惠】云产品低至38元/年起！🎉

各位技术伙伴，阿里云爆款钜惠来袭！立即抢购：阿里云特惠 💰

🔥 新人专享特惠

• 200M带宽云服务器
  38元/年起（官网价￥459元/年），立省421元！
  ✔️ 适用场景：网站搭建/Web应用/电商独立站

• 经济型e实例
  续费99元/年 | 2核2G + 3M带宽 + 40G ESSD云盘
  ✔️ 含防病毒版安全防护（防勒索/挖矿/木马）
  ✔️ 限新用户，每人限购1台

🤖 AI大模型特惠

• DeepSeek R1大模型
  首年99元起 | 1.5B/7B参数规格
  ✔️ 支持宝塔面板一键部署
  ✔️ 数学/代码/推理任务表现出色

• 企业知识库应用
  数据库+文件存储+多端支持
  ✔️ 低代码扩展 + 钉钉/企微/微信集成

Tika介绍

Apache Tika 是一个功能强大的内容分析工具，具有以下特点：

1. 支持多种文件格式，包括办公文档、PDF、HTML、XML、文本文件、图片、音视频、电子邮件和压缩文件等。
2. 能自动检测文件类型，根据文件内容而非扩展名判断文件的真实类型，并识别 MIME 类型。
3. 能提取文本和元数据，如作者、创建日期、修改日期、文件大小、版权信息等。
4. 支持 OCR，可从扫描图像或 PDF 文档中的图片提取文本信息。
5. 具备自动检测文件文本语言的功能。
6. 可嵌入到其他 Java 应用中，提供 Java API，也可作为独立应用使用，如命令行工具 Tika App 和基于 RESTful API 的 Tika Server。
7. 支持多线程处理，可提高大批量文件处理速度。
8. 返回统一的 JSON 或 XML 格式输出，便于与其他系统集成。
9. 支持处理大型文档和多页文档。
10. 可与其他工具和库集成，如 Lucene、Solr、Elasticsearch、Apache POI、PDFBox 和 Tesseract OCR 等。
11. 具有高度可扩展性，用户可根据需求自定义解析器、增加新文件格式支持或调整文本提取策略。

Tika 的架构组件，包括 Tika Core、Tika Parsers、Tika Config、Tika App、Tika Server、Tika Language Detection、Tika Extractor、Tika Metadata 和 Tika OCR 等。

在应用场景方面，Tika 可广泛应用于企业文档管理系统、内容管理系统（CMS）、数据分析与大数据平台、法律与合规性审查、数字资产管理（DAM）、信息安全与数据泄露防护以及自动化电子邮件分类等领域。

文章重点讲解了如何在 Spring Boot 中集成 Apache Tika 用于敏感信息识别和数据泄露防护。通过在文件上传时提取文件内容，并在提取的文本中搜索潜在的敏感数据（如身份证号、信用卡信息、电话号码等），实现敏感信息检测和数据泄露防护。

完整代码

包含 Maven 依赖、配置文件、Controller 接口、Service 和测试用例等，每一行代码都添加了注释，确保完整且可直接使用。

Maven 依赖

在 pom.xml 文件中添加以下依赖：

<dependencies>
    <!-- Spring Boot Web 依赖，用于创建 RESTful API -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>

    <!-- Apache Tika Core 依赖，提供核心的文件解析和内容提取功能 -->
    <dependency>
        <groupId>org.apache.tika</groupId>
        <artifactId>tika-core</artifactId>
        <version>2.6.0</version>
    </dependency>

    <!-- Apache Tika Parsers 依赖，提供各种文件格式的解析器 -->
    <dependency>
        <groupId>org.apache.tika</groupId>
        <artifactId>tika-parsers</artifactId>
        <version>2.6.0</version>
    </dependency>
</dependencies>

配置文件

创建 application.properties 配置文件（位于 src/main/resources 目录）：

# 配置服务器端口
server.port=8080

# 配置文件上传限制（例如：最大文件大小为 10MB）
spring.servlet.multipart.max-file-size=10MB
spring.servlet.multipart.max-request-size=10MB

Service 层代码

创建 SensitiveInfoService.java 文件（位于 src/main/java/com/example/tikademo/service 目录）：

package com.example.tikademo.service;

import org.apache.tika.Tika;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.sax.BodyContentHandler;
import org.springframework.stereotype.Service;

import java.io.IOException;
import java.io.InputStream;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

@Service
public class SensitiveInfoService {

    // 创建 Tika 实例，用于文件内容解析
    private final Tika tika = new Tika();

    // 定义正则表达式模式，用于检测身份证号、信用卡号和电话号码
    private static final String ID_CARD_REGEX = "(\\d{17}[\\dXx]|\\d{15})"; // 身份证号正则表达式
    private static final String CREDIT_CARD_REGEX = "(\\d{4}-?\\d{4}-?\\d{4}-?\\d{4})"; // 信用卡号正则表达式
    private static final String PHONE_REGEX = "(\\d{3}-?\\d{3}-?\\d{4})|((\\d{11})|(\\d{3})\\d{7})"; // 电话号码正则表达式

    /**
     * 提取文件内容并检测敏感信息
     *
     * @param fileInputStream 文件输入流
     * @return 检测结果字符串，包含检测到的敏感信息或提示未检测到敏感信息
     * @throws IOException 如果读取文件内容时发生 I/O 错误
     */
    public String checkSensitiveInfo(InputStream fileInputStream) throws IOException {
        // 使用 Tika 提取文件内容
        String fileContent = tika.parseToString(fileInputStream);

        // 初始化 StringBuilder，用于构建检测结果
        StringBuilder sensitiveInfoDetected = new StringBuilder();

        // 检测身份证号
        detectAndAppend(fileContent, ID_CARD_REGEX, "身份证号", sensitiveInfoDetected);

        // 检测信用卡号
        detectAndAppend(fileContent, CREDIT_CARD_REGEX, "信用卡号", sensitiveInfoDetected);

        // 检测电话号码
        detectAndAppend(fileContent, PHONE_REGEX, "电话号码", sensitiveInfoDetected);

        // 返回检测结果，如果未检测到敏感信息，则返回相应提示
        return sensitiveInfoDetected.length() > 0 ? sensitiveInfoDetected.toString() : "未检测到敏感信息";
    }

    /**
     * 通用的敏感信息检测方法
     *
     * @param content   文件内容
     * @param regex     正则表达式模式
     * @param label     敏感信息标签（如身份证号、信用卡号等）
     * @param result    用于存储检测结果的 StringBuilder
     */
    private void detectAndAppend(String content, String regex, String label, StringBuilder result) {
        // 编译正则表达式模式
        Pattern pattern = Pattern.compile(regex);
        // 创建 Matcher 对象，用于在文件内容中查找匹配项
        Matcher matcher = pattern.matcher(content);
        // 循环查找所有匹配项
        while (matcher.find()) {
            // 将检测到的敏感信息追加到结果中
            result.append(label).append(": ").append(matcher.group()).append("\n");
        }
    }
}

Controller 层代码

创建 FileController.java 文件（位于 src/main/java/com/example/tikademo/controller 目录）：

package com.example.tikademo.controller;

import com.example.tikademo.service.SensitiveInfoService;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.*;
import org.springframework.web.multipart.MultipartFile;

import java.io.IOException;

@RestController
@RequestMapping("/api/files")
public class FileController {

    // 注入 SensitiveInfoService 用于敏感信息检测
    @Autowired
    private SensitiveInfoService sensitiveInfoService;

    /**
     * 处理文件上传请求，并检测文件中的敏感信息
     *
     * @param file 上传的文件
     * @return 检测结果字符串
     */
    @PostMapping("/upload")
    public String uploadFile(@RequestParam("file") MultipartFile file) {
        try {
            // 获取上传文件的输入流
            String result = sensitiveInfoService.checkSensitiveInfo(file.getInputStream());
            return result;
        } catch (IOException e) {
            // 如果发生 I/O 错误，返回错误信息
            return "文件处理错误: " + e.getMessage();
        }
    }
}

前端页面

创建 index.html 文件（位于 src/main/resources/static 目录）：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Upload File for Sensitive Information Detection</title>
</head>
<body>
    <h2>Upload a File for Sensitive Information Detection</h2>
    <!-- 创建文件上传表单，提交到 /api/files/upload 地址 -->
    <form action="/api/files/upload" method="post" enctype="multipart/form-data">
        <input type="file" name="file" required> <!-- 文件选择输入框 -->
        <button type="submit">Upload</button> <!-- 上传按钮 -->
    </form>
</body>
</html>

测试用例

创建测试文档 test.txt（内容如下），用于测试敏感信息检测功能：

复制

尊敬的用户：

您好！感谢您使用我们的服务。以下是您的账户信息：

身份证号：123456789012345678
信用卡号：1234-5678-9876-5432
电话号码：138-1234-5678

如果您对我们的服务有任何问题，请随时联系客户支持团队。

谢谢！

此致，
敬礼！

测试步骤

1. 创建一个 Spring Boot 项目，并按照上述代码配置项目结构和文件。
2. 将上述代码分别放入对应的文件中。
3. 启动 Spring Boot 应用。
4. 访问 http://localhost:8080 页面，上传包含敏感信息的 test.txt 文件。
5. 查看检测结果，应显示检测到的身份证号、信用卡号和电话号码等敏感信息。

上述代码完整且可直接使用，每一行代码都添加了详细的注释，方便理解和使用。

本文由博客一文多发平台 OpenWrite 发布！