使用Tika获取MIME类型，包含文件的一部分

Question

Tika是否可以在不加载整个文件的情况下获取MIME类型或其他元数据？

我可以编写脚本来获得前1MB。我正在考虑这样做以取消Tika和我的服务器上的一些负载。

Answer 1

对于基于容器的格式，Apache Tika需要整个文件以确定类型。容器格式包括基于zip文件（Word .docx，OpenDocumentFormat .odf，iWorks等）的所有内容，基于OLE2格式的任何内容（Excel .xls，Hangul，MSI等），几乎所有的多媒体格式。您通常可以根据文件名和容器类型进行很好的猜测，但要确保您需要处理整个文件以识别内容，从而确定文件类型

对于其他一切，如果Tika可以检测到文件类型，那么只需要前几十KB，通常甚至只需要前几百个字节。 （取决于所讨论的格式 - 不同的格式在不同的地方有可预测的签名）

如果您不需要Tika的最佳检测猜测，但可以使用略低的确定性（特别是基于容器的格式），那么只需给Tika文件的开头即可。或者告诉Tika只使用mime魔法探测器而不使用任何特定于容器的探测器。