如何爲幾種文檔類型正確配置Apache Tika？

我一直在使用Tika一段時間，我知道一個應該只使用Tika門面，默認或定製TikaConfig代表org/apache/tika/mime/tika-mimetypes.xml文件。如何爲幾種文檔類型正確配置Apache Tika？

我的應用程序不允許任何文檔類型比html,doc,docx,odt,txt,rtf,srt,sub,pdf,odf,odp,xls,ppt,msg

，默認MediaTypes包括萬噸別人不同。

我們是否應該修改tika-mimetypes.xml，以便移除我們不需要的MimeTypes？然後據我所知它只會爲這些MimeType創建複合解析器和檢測器。

但是，當它提供不受支持的類型時會發生什麼？我應該抓住TikaException還是一些SAXException並拒絕該文件？

另外如何手動編輯tika-mimetypes.xml？它有1290 MimeTypes與大多可笑的第三方MimeTypes。他們爲什麼在那裏？

來源

2011-07-23 lisak

你對檢測，解析還是兩者都感興趣？只有tika-mimetypes.xml僅用於檢測步驟，但您似乎主要談論解析？ – Gagravarr

但是在決定使用哪個解析器時需要它。看看TikaConfig（）和AutoDetectParser（TikaConfig配置）構造函數。 Afaik這有點搞砸了。基於tika-mimetypes.xml中的mimeTypes，它會創建儘可能多的parserDecorator，它與tika-mimetypes.xml中的mimeTypes相同，除了實現Parser接口的那些外，它們是相同的。它們都是CompositeParser的一部分，每一個都只支持一個mimeType ... – lisak

如果您只想接受某些類型，那麼您仍然需要設置完整的mimetypes。否則，你還能如何檢測到某人給你的文件實際上是一個MP3，而不是你的批准格式之一？因此，保留完整的mimtypes設置爲檢測

一旦你已經完成了檢測步驟，並且你已經決定它是一個有效的mimetype，你可以傳遞文件到AutoDetectParser並完成它。畢竟，你會檢查探測器返回的mimetype，如果它不是你喜歡的那個，就已經保釋了。

但是，如果你想額外檢查，有兩種方法可以做到這一點。一個是有一個自定義的org.apache.tika.parser.Parser文件，它只列出你想使用的格式的解析器。這是用於決定哪些解析器可用於AutoDetectParser的配置文件，例如，如果您從該列表中刪除了MP3Parser，則自動檢測解析器將停止處理MP3。

另一種方法是隻顯示您希望支持的解析器的清單。然後，不是使用自動檢測解析器，而是簡單地遍歷它們，直到找到能夠處理該文件的文件，並直接調用解析方法。這會給你最多的控制，但可能稍微多一些工作。

來源

2011-07-24 16:26:49 Gagravarr

好點，你說得對，最好是讓所有的MIME類型可用於檢測，因爲考慮到主體在於匹配第一個字節，則越早mime類型被發現，越好...你知道什麼困擾我嗎？我正在尋找5分鐘的代碼，特別是MediaType + MimeType，我無法弄清MediaType甚至存在的原因。我喜歡tika，但它很難閱讀和命名約定有時很容易讓人誤解 – lisak

我建議你在Tika Dev列表中提問這個問題！ – Gagravarr

如何爲幾種文檔類型正確配置Apache Tika？

回答

相關問題