Question

我有一个Java 8程序，它从用户提供的节点遍历目录树，搜索与用户提供的文件名模式列表匹配的文件。

可以使用可选的用户提供的String过滤匹配文件列表以进行查找。代码使用解析的最终结果检查此字符串。当在树步行中找到大文件时，这非常糟糕。

但无论如何它还不错。一旦找到要查找的字符串，我们就会浪费时间来解析文件的其余部分。

找到匹配后，有没有办法让tika停止解析文件？

修改的

该程序所基于的代码：

package org.apache.tika.example;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.net.MalformedURLException;
import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.mime.MimeTypeException;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.SAXException;

public class ParsingExample {

  public static boolean contains(File file, String s) throws MalformedURLException, 
                     IOException, MimeTypeException, SAXException, TikaException
  {
    InputStream         stream    = new FileInputStream(file);
    AutoDetectParser    parser    = new AutoDetectParser();
    BodyContentHandler  handler   = new BodyContentHandler(-1);
    Metadata            metadata  = new Metadata();
    try
    {
      parser.parse(stream, handler, metadata);
      return handler.toString().toLowerCase().contains(s.toLowerCase());
    }
    catch (IOException | SAXException | TikaException e)
    {
      System.out.println(file + ": " + e + "\n");
      return false;
    }
  }
  public static void main(String[] args)
  {
      try 
      {
        System.out.println("File " + filename + " contains <" + searchString + "> : " + contains(new File(filename), searchString));
      } 
      catch (IOException | SAXException | TikaException ex) 
      {
        System.out.println("Error: " + ex);
      }
  }   

  static String parseExample = ":(";
  static String searchString = "test";
  static String filename = "test.doc";
}

Parser.parser会返回BodyContentHandler handler文件中的所有文字。解析器的实现者没有可用的循环。没有我知道的;因此问题。

编辑2

我想我真正想知道的是，是否存在仅从文件而不是全部读取n个字符的tika方法。然后我可以在它周围粘上一个循环并在找到搜索字符串时退出。

Answer 1

您可以将查询匹配部分移动到您自己的ContentHandler实现中（您可以将DefaultHandler作为基础），重新组合传递给ContentHander#characters(char[],int,int)的部分中的文本，然后通过抛出异常来中止解析匹配发现。

这绝对不是一个漂亮的解决方案，但它应该停止解析。

UPD 代码示例：

public class InterruptableParsingExample {
    private Tika tika = new Tika(); // for default autodetect parser

    public boolean findInFile(String query, File file) {
        Metadata metadata = new Metadata();
        InterruptingContentHandler handler = new InterruptingContentHandler(query);
        ParseContext context = new ParseContext();
        context.set(Parser.class, tika.getParser());

        try (InputStream is = new BufferedInputStream(new FileInputStream(file))) {
            tika.getParser().parse(is, handler, metadata, context);
        } catch (QueryMatchedException e) {
            return true;
        } catch (SAXException | TikaException | IOException e) {
            // something went wrong with parsing...
            e.printStackTrace();
        }
        return false;
    }
}

class QueryMatchedException extends SAXException {}

class InterruptingContentHandler extends DefaultHandler {
    private String query;
    private StringBuilder sb = new StringBuilder();

    InterruptingContentHandler(String query) {
        this.query = query;
    }

    @Override
    public void characters(char[] ch, int start, int length) throws SAXException {
        sb.append(new String(ch, start, length).toLowerCase());

        if (sb.toString().contains(query))
            throw new QueryMatchedException(); // interrupt parsing by throwing SaxException

        if (sb.length() > 2 * query.length())
            sb.delete(0, sb.length() - query.length()); // keep tail with query.length() chars
    }
}

UPD2 已添加到tika-example包中：https://github.com/apache/tika/blob/trunk/tika-example/src/main/java/org/apache/tika/example/InterruptableParsingExample.java

有没有办法让tika在找到匹配后停止解析文件？

1 个答案: