如何使用Apache Tika解析八位字節流文件？

Question

我在Azure Blob存儲上存儲了所有不同類型的文件，文件是txt，doc，pdf等。然而，所有文件都存儲爲'octet-stream'，當我打開文件以使用Tika從文本中提取文本時，Tika無法檢測字符編碼。我怎樣才能解決這個問題？

FileSystem fs = FileSystem.get(new Configuration());    
Path pt = new Path(Configs.BLOBSTORAGEPREFIX+fileAdd);   
InputStream stream = fs.open(pt);   


AutoDetectParser parser = new AutoDetectParser(); 
BodyContentHandler handler = new BodyContentHandler(); 
Metadata metadata = new Metadata(); 

parser.parse(stream, handler, metadata);  


spaceContentBuffer.append(handler.toString()); 

Answer 1

如果直接調用Azure存儲REST API，你可以設置頁眉通過API Set Blob Properties 「X-MS-BLOB內容類型」。

blockBlob.Properties.ContentType = "text/xml"; 
blockBlob.SetProperties();