用Tika和文件的一部分獲取MIME類型

Question

Tika可能在不加載整個文件的情況下獲取MIME類型或其他元數據嗎？

我可以編寫腳本來獲得第一個1MB。我正在考慮這樣做，以減少Tika和我的服務器上的部分負載。

Answer 1

對於基於容器的格式，Apache Tika需要整個文件來確定類型。容器格式包括基於一個zip文件，幾乎一切（字.docx，OpenDocumentFormat .odf，等的iWorks）的基礎上，OLE2格式的任何東西（Excel中.xls，韓文，MSI等），以及幾乎所有的多媒體格式。您經常可以根據文件名和容器類型進行很好的猜測，但要確保您需要處理整個文件以識別內容並因此識別文件類型

對於其他任何情況，如果Tika可以檢測文件類型，那麼只需要前幾十KB，通常甚至只有前幾百個字節。 （取決於問題的格式 - 不同的人在不同的地方有其可預測的簽名）

如果你不需要Tika的最佳檢測猜測，但可以做一個稍低的確定性（特別是基於容器的格式），那麼只需給Tika一個文件的開始。或者告訴提卡只使用MIME魔法探測器沒有任何特定的容器探測器。