使用Apache tika获取MimeType子类型
我需要获取iana.org MediaType，而不是应用程序/ zip或application / x-tika-msoffice用于像odt，ppt，pptx，xlsx等文档。
如果你看看mimetypes.xml，有mimeType元素由iana.org mime类型和“sub-class-of”
<mime-type type="application/msword">
<alias type="application/vnd.ms-word"/>
............................
<glob pattern="*.doc"/>
<glob pattern="*.dot"/>
<sub-class-of type="application/x-tika-msoffice"/>
</mime-type>
如何获得iana.org mime类型名称而不是父类型名称？
当测试MIME类型检测时，我这样做：
MediaType mediaType = MediaType.parse(tika.detect(inputStream));
String mimeType = mediaType.getSubtype();
检测结果 ：
FAILED: getsCorrectContentType("application/vnd.ms-excel", docs/xls/en.xls)
java.lang.AssertionError: expected:<application/vnd.ms-excel> but was:<x-tika-msoffice>
FAILED: getsCorrectContentType("vnd.openxmlformats-officedocument.spreadsheetml.sheet", docs/xlsx/en.xlsx)
java.lang.AssertionError: expected:<vnd.openxmlformats-officedocument.spreadsheetml.sheet> but was:<zip>
FAILED: getsCorrectContentType("application/msword", doc/en.doc)
java.lang.AssertionError: expected:<application/msword> but was:<x-tika-msoffice>
FAILED: getsCorrectContentType("application/vnd.openxmlformats-officedocument.wordprocessingml.document", docs/docx/en.docx)
java.lang.AssertionError: expected:<application/vnd.openxmlformats-officedocument.wordprocessingml.document> but was:<zip>
FAILED: getsCorrectContentType("vnd.ms-powerpoint", docs/ppt/en.ppt)
java.lang.AssertionError: expected:<vnd.ms-powerpoint> but was:<x-tika-msoffice>
有没有什么办法从mimetypes.xml中获取实际的子类型？ 而不是x-tika-msoffice或application / zip？
此外，我从来没有得到应用程序/ x-tika-ooxml，但应用程序/ zip为xlsx，docx，pptx文件。
最初，Tika只支持Mime Magic或文件扩展名（glob）的检测，因为这是Tika做过的所有大多数MIME检测。
由于Mime Magic和globs在检测容器格式方面存在问题，因此决定向Tika添加一些新的检测器来处理这些问题。 容器感知检测器获取整个文件，打开并处理容器，然后根据内容计算出确切的文件类型。 最初，您需要明确地调用它们，但随后它们被封装在ContainerAwareDetector ，您将在某些答案中看到它们。
从那以后，Tika增加了一个服务加载器模式，最初是为解析器。 这允许类在出现时自动加载，并且通过一般方法来识别哪些类是合适的并使用它们。 这个支持随后扩展到了探测器，在这一点上，旧的ContainerAwareDetector可以被删除，而转向更干净的东西。
如果您使用的是Tika 1.2或更高版本，并且想要准确检测所有格式（包括容器格式），则需要执行以下操作：
TikaConfig config = TikaConfig.getDefaultConfig();
Detector detector = config.getDetector();
TikaInputStream stream = TikaInputStream.get(fileOrStream);
Metadata metadata = new Metadata();
metadata.add(Metadata.RESOURCE_NAME_KEY, filenameWithExtension);
MediaType mediaType = detector.detect(stream, metadata);
如果你只用Core Tika jar（tika-core-1.2 -....）来运行它，那么唯一存在的探测器将会是mime magics one，并且你将得到基于magic + glob的旧式探测器。 然而，如果你使用Core和Parser Tika jars（以及它们的依赖项）或者Tika App（其中包括核心+解析器+依赖关系）自动运行它，那么DefaultDetector将使用所有不同的容器检测器来处理你的文件。 如果您的文件是基于zip的，那么检测将包括处理zip结构以基于其中的内容来识别文件类型。 这将为您提供高精度的检测，而无需依次调用大量不同的解析器。 DefaultDetector将使用所有可用的探测器。
对于任何其他有类似问题但使用新版Tika版本的人来说，这应该可以做到这一点：
ContainerAwareDetector所以使用ZipContainerDetector 。 TikaInputStream添加detect()器的detect()方法以确保tika可以分析正确的MIME类型。 我的示例代码如下所示：
public static String getMimeType(final Document p_document)
{
try
{
Metadata metadata = new Metadata();
metadata.add(Metadata.RESOURCE_NAME_KEY, p_document.getDocName());
Detector detector = getDefaultDectector();
LogMF.debug(log, "Trying to detect mime type with detector {0}.", detector);
TikaInputStream inputStream = TikaInputStream.get(p_document.getData(), metadata);
return detector.detect(inputStream, metadata).toString();
}
catch (Throwable t)
{
log.error("Error while determining mime-type of " + p_document);
}
return null;
}
private static Detector getDefaultDectector()
{
if (detector == null)
{
List<Detector> detectors = new ArrayList<>();
// zip compressed container types
detectors.add(new ZipContainerDetector());
// Microsoft stuff
detectors.add(new POIFSContainerDetector());
// mime magic detection as fallback
detectors.add(MimeTypes.getDefaultMimeTypes());
detector = new CompositeDetector(detectors);
}
return detector;
}
请注意， Document类是我的域模型的一部分。 所以你肯定会有类似的东西。
我希望有人能使用它。
tika-core中默认的字节模式检测规则只能检测所有MS Office文档类型使用的通用OLE2或ZIP格式。 您希望使用ContainerAwareDetector进行这种检测afaik。 并使用MimeTypes检测器作为其后备检测器。 尝试这个 ：
public MediaType getContentType(InputStream is, String fileName) {
MediaType mediaType;
Metadata md = new Metadata();
md.set(Metadata.RESOURCE_NAME_KEY, fileName);
Detector detector = new ContainerAwareDetector(tikaConfig.getMimeRepository());
try {
mediaType = detector.detect(is, md);
} catch (IOException ioe) {
whatever;
}
return mediaType;
}
这样你的测试应该通过
链接地址: http://www.djcxy.com/p/7941.html