在java中识别可搜索/不可搜索的文件

Question

在我的申请中，我会收到一份文件。我必须检查文件是否具有可搜索的文本（文本内容）或不可搜索的文本（图像）和显示。

我不能使用文件扩展名，因为在PDF文件中，我们也可以使用不可搜索的类型。

我需要java代码。任何人都可以帮助我。

Answer 1

此问题的实际解决方案将涉及从文件内容中找出未知文件的MIME类型。然后，您需要构建从MIME类型到类的映射，以便为相应的文件类型提取文本。

有第一部分的库（识别MIME类型），虽然这是一个启发式过程，并且（理论上）可以返回错误答案或（在实践中）“未知”。以下是SO问题的示例以及有关如何执行此操作的其他参考资料：

• 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

这位于data mining区域，还有搜索引擎（Lucene）。有许多转换器（pdftotext，htmltotext，unzip等）。然后角色编码起作用; UTF16-LE每个字符使用两个字节。某些文件类型具有标识标头，魔术cookie（JPEG，GIF，PDF）。

最适合对最适合您需求的项目进行互联网研究。然后在设计出正常运行的管道之后逐步添加功能。

如果您需要一种设计，即数据挖掘的死标准，JDM 2.0可能会提供API。