Spring AI 2.0 ETL：把 PDF、Word 接入知识库-平芜编程栈

大家好，我是一言，继续更新 Spring AI 2.0 系列。

前面几篇，我们一直在聊资料入库后怎么检索。这次往前走一步：售后规则放在 PDF、Word 里，怎样让 RAG 用上它们？

Spring AI 的 ETL 管道负责这段准备工作：读出文件内容、整理成片段，再写入向量存储。今天接入两份售后文档，最后用 Postman 提问，核对回答来自哪个文件、哪一页。

ETL 这三个字母，分别做什么

ETL 是 Extract、Transform、Load，也就是提取、转换、加载。Spring AI 官方把它分成三个接口：

接口	这篇让它做什么
`DocumentReader`	从 PDF、Word 提取文字
`DocumentTransformer`	把长文切成适合检索的片段
`DocumentWriter`	将片段写入向量存储

三段之间传递的都是List<Document>。这里的Document可以理解成一个 Java 数据对象，里面装着文本和元数据，例如文件名、页码。

这些接口在 Spring AI 1.x 已经存在。下面用Spring AI 2.0.1跑通整条链路。

先看准备入库的资料

我编了两份商城售后演示文档，规则只用于这个示例：

文件	内容
`returns.pdf`，2 页	第 1 页普通退货；第 2 页定制商品退货
`refunds.docx`	银行卡到账时间、银行卡注销、余额退款

PDF 第二页专门写了一个例外：刻字、改尺寸的定制商品不支持无理由退货；出现质量问题，可以提交凭证申请审核。

整个示例分两段：先把文件准备成知识库，提问时再检索其中的片段。

两种文件，读成同一种对象

PDF 使用PagePdfDocumentReader，Word 使用基于 Apache Tika 的TikaDocumentReader。对应依赖是spring-ai-pdf-document-reader和spring-ai-tika-document-reader，版本由 Spring AI BOM 统一管理。

varpdfReader=newPagePdfDocumentReader(newClassPathResource("docs/returns.pdf"),PdfDocumentReaderConfig.builder().withPagesPerDocument(1).withPageBottomMargin(65).build());varwordReader=newTikaDocumentReader(newClassPathResource("docs/refunds.docx"));vardocuments=newArrayList<Document>();documents.addAll(pdfReader.read());documents.addAll(wordReader.read());

withPagesPerDocument(1)表示每页生成一个Document。底部留白配置用于跳过这份 PDF 的页脚，换文件时要按实际版式调整。

这两份文件读出来，一共是3 个 Document：PDF 每页一个，Word 全文一个。

PDF Reader 带有page_number元数据；这里的 Tika Reader 没有提供 Word 页码。后续统一给文档补上source文件名，方便查询时回溯。

document.getMetadata().put("source","returns.pdf");

读取阶段先检查文字是否完整。带文字层的 PDF 可以直接走这条流程；扫描件需要先做 OCR，复杂表格也要单独检查提取效果。

切成片段，再交给向量存储

varsplitter=TokenTextSplitter.builder().withChunkSize(180).withMinChunkSizeChars(60).withMinChunkLengthToEmbed(5).withPunctuationMarks(List.of('。','？','！','；','\n')).build();varchunks=splitter.apply(documents);varstore=SimpleVectorStore.builder(embeddingModel).build();store.add(chunks);

分块会保留原有元数据。调用add时，向量存储通过 Embedding 模型计算向量，同时保存片段文本与元数据。

这里使用本地Qwen3-Embedding 0.6B，回答模型是Qwen2.5 3B。SimpleVectorStore用于内存演示，正式知识库可以换成 PgVector 等持久化实现。

在 Postman 中发送POST /api/etl/import，读取项目里的这两份文件：

结果是2 个文件 → 3 份文档 → 4 个片段，每个片段对应一个 1024 维向量。图中的毫秒数是这次本地运行的阶段耗时，文件量和模型环境变化后也会变化。

问一道需要区分规则的问题

向POST /api/etl/ask发送：

{"question":"刻字的定制商品收到三天，不喜欢了，可以无理由退货吗？"}

后端先取两个相关片段，再把片段与问题一起交给ChatClient。提示词要求只依据资料回答，并保留适用条件和例外。

varhits=store.similaritySearch(SearchRequest.builder().query(question).topK(2).build());varanswer=client.prompt().system("只依据提供的资料回答，保留适用条件和例外。").user("资料：\n"+context+"\n问题："+question).call().content();