Question

我正在使用Apache Tika对各种文档（ODS，MS office，pdf）进行简单处理。我必须至少得到：

word count, author, title, timestamps, language etc.

这并不容易。我的策略是对6种类型的文档使用模板方法模式，在那里我首先找到文档的类型，并根据它单独处理它。

我知道apache tika应该不需要这个，但文档格式是完全不同的吗？

例如

InputStream input = this.getClass().getClassLoader().getResourceAsStream(doc);
ContentHandler textHandler = new BodyContentHandler();
Metadata metadata = new Metadata();
Parser parser = new OfficeParser();
parser.parse(input, textHandler, metadata, new ParseContext());
input.close();

for(String s : metadata.names()) {
    System.out.println("Metadata name : "  + s);
}

我尝试为ODS，MS office，pdf文档执行此操作，并且元数据差别很大。 MSOffice界面列出了MS文档的元数据键和一些 Dublic Core 元数据列表。但是应该如何实现这样的应用呢？

可以取悦任何有经验的人分享他的经验吗？谢谢

Answer 1

通常，解析器应在所有文档格式中为相同类型的事物返回相同的元数据键。但是，某些类型的元数据只出现在某些文件类型中，因此您无法从其他文件类型中获取这些元数据。

您可能只想使用AutoDetectParser，如果您需要对基于mimetype的元数据句柄执行任何特殊操作，例如

Metadata metadata = new Metadata();
metadata.set(Metadata.RESOURCE_NAME_KEY, filename);
ParseContext context = new ParseContext();

Parser parser = new AutoDetectParser();
parser.parse(input, textHandler, metadata, new ParseContext());

if(metadata.get(CONTENT_TYPE).equals("application/pdf")) {
   // Do something special with the PDF metadata here
}

Apache Tika和文档元数据

1 个答案: