Erste MIME-Typ Subtyp mit Apache tika

Ursprünglich, Tika nur unterstützt Erkennung von Mime-Magie oder durch Datei-Endung (glob), da all dies die meisten mime-Erkennung vor Tika hat.

Wegen der Probleme mit Mime-Magie und Einheiten, wenn es um die Erkennung von container-Formate, es wurde beschlossen, einige neue Detektoren, um Tika zu behandeln. Die Container Bewusst Detektoren nahm die ganze Datei geöffnet und bearbeitet container, und arbeitete dann die genauen Datei-Typ, basierend auf dem Inhalt. Zunächst ist es nötig, Sie zu nennen explizit, aber dann waren Sie eingehüllt in ContainerAwareDetector wie Sie sehen werden, in einigen der Antworten.

Seitdem Tika hat einen service loader Muster, das zunächst für den Parser. Dies erlaubt Klassen werden automatisch geladen, wenn vorhanden, mit einer Allgemeinen Art und Weise zu identifizieren, welche die richtigen seien und diese zu nutzen. Diese Unterstützung wurde dann ausgedehnt Detektoren auch an die Stelle der alten ContainerAwareDetector entfernt werden konnten, zugunsten von etwas cleaner.

Wenn Sie auf Tika 1.2 oder später, und Sie wollen eine genaue Erfassung aller Formate, einschließlich container-Formate, die Sie wollen, etwas zu tun:

 TikaConfig config = TikaConfig.getDefaultConfig();
 Detector detector = config.getDetector();

 TikaInputStream stream = TikaInputStream.get(fileOrStream);

 Metadata metadata = new Metadata();
 metadata.add(Metadata.RESOURCE_NAME_KEY, filenameWithExtension);
 MediaType mediaType = detector.detect(stream, metadata);

Wenn Sie diese nur mit der Core-Tika jar (tika-core-1.2-....), dann ist der einzige Detektor vorhanden, wird der mime-Magie ein, und Sie erhalten die alten Stil-Erkennung auf Basis magic + glob nur. Jedoch, wenn Sie dies sowohl mit der Kern-und Parser Tika Gläser (und deren Abhängigkeiten), oder von Tika-App (das enthält die Kern + Parser + Abhängigkeiten automatisch), dann die DefaultDetector nutzen alle die verschiedenen Container-Detektoren für die Bearbeitung Ihrer Datei. Wenn Sie Ihre Datei ist zip-basiert ist, dann-Erkennung zählen die Verarbeitung der zip-Struktur um die Datei zu identifizieren, basierend auf, was drin ist. Dies wird Ihnen die hohe Genauigkeit, die Sie anstreben, ohne Sie zu nennen, viele verschiedene Parser wiederum. DefaultDetector alle Detektoren verfügbar sind.

InformationsquelleAutor Gagravarr

Den Standard byte-Muster-Erkennung Regeln im tika-core kann nur erkennen das generische OLE2-oder ZIP-format ist für alle MS Office-Dokument-Typen. Sie verwenden möchten ContainerAwareDetector für diese Art von Nachweis ist, soweit ich weiß. Und verwenden MimeTypes-Detektor als seine fallback-Detektor. Versuchen Sie dies :

public MediaType getContentType(InputStream is, String fileName) {
    MediaType mediaType;
    Metadata md = new Metadata();
    md.set(Metadata.RESOURCE_NAME_KEY, fileName);
    Detector detector = new ContainerAwareDetector(tikaConfig.getMimeRepository());

    try {
        mediaType = detector.detect(is, md);
    } catch (IOException ioe) {
        whatever;
    }
    return mediaType;
}

Diese Weise sollten Ihre tests pass

InformationsquelleAutor lisak