使用Tika jars进行Mimetype检查

Question

我正在开发标准的Java批处理。我正在尝试使用Tika Jars确定文件附件mimetype。我正在使用Tika 1.4 Jar文件。

我的代码看起来像

Parser parser= new AutoDetectParser();
InputStream stream = new FileInputStream(fileAttachment);
int writerHandler =-1;
ContentHandler contentHandler= new BodyContentHandler(writerHandler);
Metadata metadata= new Metadata();
parser.parse(stream, contentHandler, metadata, new ParseContext());
String mimeType = metadata.get(Metadata.CONTENT_TYPE);
logger.debug("File Attachment: "+fileattachment.getName()+" MimeType is: "+mimeType);

此代码无法正常用于office 03和07文档。

从eclipse运行时，我得到了正确的mimetype。

我构建jar文件并从命令运行，它给出了错误的mimetype。

out put from command
------------
File Attachment: Testpdf.pdf  MimeType is: application/pdf
File Attachment: Testpdf.tif  MimeType is: image/tiff
File Attachment: Testpdf.xlsx  MimeType is: application/x-tika-ooxml
File Attachment: Testpdf.xltx  MimeType is: application/x-tika-ooxml
File Attachment: Testpdf.pptx  MimeType is: application/x-tika-ooxml
File Attachment: Testpdf.docx  MimeType is: application/x-tika-ooxml
File Attachment: Testpdf.xls  MimeType is: application/zip
File Attachment: Testpdf.doc  MimeType is: application/x-tika-msoffice
File Attachment: Testpdf.dot  MimeType is: application/x-tika-msoffice
File Attachment: Testpdf.ppt  MimeType is: application/x-tika-msoffice
File Attachment: Testpdf.xlt  MimeType is: application/vnd.ms-excel

我尝试了officePraser、OOXMLParser。它不起作用。我尝试了tika 0.9 jar文件。mimeTypes正确，但如果我的任何一个文件附件是“可编辑pdf”，我的批处理就会死亡（如代码中的“退出（0）；”）。如果我有新的tika jar，它会给出错误的mimeTypes。

请帮帮我。提前谢谢。

CVSR萨尔玛

Answer 1

首先，您使用了错误的Apache Tika。如果您只想知道文件类型，那么您应该直接使用检测API（javadocs），例如：

TikaConfig tika = new TikaConfig();

Metadata metadata = new Metadata();
metadata.set(TikaCoreProperties.RESOURCE_NAME_KEY, filename);
String mimetype = tika.getDetector().detect(stream, metadata);

如果您的类路径上只有tika-corejar，那么上面的检测将使用Mime Magic和Filename提示。这将使它获得大多数文件，尤其是如果它们具有正确的扩展名，但它只会努力命名错误的“容器格式”

容器格式是zip、ole2等，其中一种文件格式可以容纳多种类型（例如ods、xlsx、keynote all use.zip、.doc和.xls都使用ole2）。如果要在容器内进行检测以获得更准确的结果，还需要包括tika解析器标准及其依赖项。

请注意，正如Javadocs中所解释的，您的流需要支持标记和重置，以便检测工作。这样Tika就可以读取流的第一位，查看它以确定文件是什么，然后将流返回到其他用途（例如解析）的状态。大多数流都应该这样做，但如果您的流没有这样做，最简单的修复方法就是通过TikaInputStream将其包装在TikaInputStream中。得到，这会帮你解决所有问题