Question

我使用Apache Tika从 base64 代表中检测文件Mime Type。很遗憾，我没有关于该文件的其他信息（例如扩展名）。

我能做些什么让Tika更具体？

我目前正在使用这个：

Tika tika = new Tika();
tika.setMaxStringLength(-1);
String mimetype = tika.detect(Base64.decode(fileString));

它为JSON和PDF文件提供了text/plain，但我希望获得更具体的信息：application/json，application/pdf等......

希望有人可以帮助我！

感谢。

Answer 1

在我过去的项目中，我使用了TikaConfig

我做的是：

//Note you can use alse byte[] instead of InputStream
InputStream is = new FileInputStream(new File(YOUR_FILE));
TikaConfig tc = new TikaConfig();
Metadata md = new Metadata();
md.set(Metadata.RESOURCE_NAME_KEY, fileName);
String mimeType = tc.getDetector().detect(TikaInputStream.get(is), md).toString();

使用byte[]：

byte[] fileBytes = GET_BYTE_ARRAY_FROM_YOUR_FILE;
TikaConfig tc = new TikaConfig();
Metadata md = new Metadata();
md.set(Metadata.RESOURCE_NAME_KEY, fileName);
String mimeType = tc.getDetector().detect(TikaInputStream.get(fileBytes), md).toString();

我没有遇到正确的mimeType ....

我希望它有用

安吉洛

Answer 2

<强> from urllib import urlencode

检测具有给定文件名的文档的媒体类型。

传递PDF或JSON文件的内容将无法用作this method expects a filename。 Tika将回退到Tika#detect(String)，因为它找不到任何匹配的文件名。

<强> PDF

对于PDF，您只需要将一些数据写入流中，或者将其传递给某些字节，并通过寻找特殊（“魔术”）字节模式让Tika使用Mime Magic Detection读取靠近文件的开头（纯文本为text/plain）：

%PDF

<强> JSON

对于JSON，即使这种方法也会返回String pdfContent = "%PDF-1.4\n%\\E2\\E3\\CF\\D3"; // i.e. base64 decoded Tika tika = new Tika(); System.out.println(tika.detect(pdfContent.getBytes())); // "application/pdf"＆amp;蒂卡是对的。 text/plain就像纯文本的子类型，表示文本应该被不同地解释。这就是你得到application/json时必须要做的事情。使用JSON库（例如Jackson）来解析内容以查看它是否是有效的JSON：

text/plain

因为杰克逊将单个数字Sring json = "[1, 2, 3]"; // an array in JSON try { final JsonParser parser = new ObjectMapper().getFactory().createParser(json); while (parser.nextToken() != null) { } System.out.println("Probably JSON!"); } catch (Exception e) { System.out.println("Definitely not JSON!"); }视为有效的JSON，所以要小心你想要多严格，但事实并非如此。为了解决这个问题，您可以首先测试字符串以1或{开头（可能前面有空格），使用[之类的内容，甚至尝试将其解析为JSON

这是DZone tutorial for Jackson。

Apache Tika - 检测JSON / PDF特定的mime类型

2 个答案: