在java中識別可搜索/不可搜索的文件

Question

在我的應用程序中，我將收到一個文件。我必須檢查文件是否具有可搜索的文本（文本內容）或不可搜索的文本（圖像）並顯示。

我無法使用文件擴展名，因爲在PDF文件中，我們也可以有非可搜索類型。

我需要這個java代碼。任何人都可以幫助我。

Answer 1

此問題的實際解決方案將涉及從文件內容中找出未知文件的MIME類型。然後，您需要建立從MIME類型到類的映射，以提取相應文件類型的文本。

有做的第一部分（識別MIME類型）庫，雖然這是一種啓發式的過程，可以（在理論上）返回錯誤的答案，或者（實際上）「未知」。下面是關於如何做到這一點做題和其他參考樣本：

• Getting A File's Mime Type In Java
• java library to find the mime type from file content
• Get the Mime Type from a File
• jmimemagic

Answer 2

這掌握在data mining面積，還有搜索引擎（Lucene）。有很多轉換器（pdftotext，htmltotext，unzip，等等）。然後字符編碼起作用; UTF16-LE每個字符使用兩個字節。某些文件類型具有標識標頭，魔術餅乾（JPEG，GIF，PDF）。

最好做最適合您的需求的項目的互聯網研究。然後在設計一個功能流水線之後，增加功能。

如果你需要一個設計，爲數據挖掘死者的標準，JDM 2.0可能提供的API。