Question

Apache Tika中是否有application/octet-stream类型的解析器？我想这是一个不可解析的流。

我只需要解析ODS文档，MS文档和PDF文件。似乎new Tika( ).parseToString(file);就足够了。但我无法弄清楚当未检测到内容类型时会发生什么 - ＆gt; application/octet-stream是默认值。如果我有机会从那些类型的文档中提取文本，但是contentType检测器没有检测到它们的类型。

我应该尝试什么，而不是将文档返回给用户，告诉他不支持格式。

或者，实际上application/octet-stream内容类型是一个我们无法读取的信号？或者“你必须弄清楚如何处理这个问题”？

Answer 1

如果探测器不知道文件是什么，它将返回 application / octet-stream

如果探测器不知道它是什么，那么Tika将无法为它挑选合适的Parser。（你最终会得到什么都没做的EmptyParser）

如果可以，在进行检测和解析时传入文件名，因为在某些情况下这有助于检测：

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());

此外，值得检查Tika网站支持的格式部分，以确保您拥有的文档是有解析器的文档 - http://tika.apache.org/0.9/formats.html

如果您的文档采用当前不支持的格式，则您有两种选择（既不是立即修复）。一种是帮助编写新的解析器（需要为该格式找到合适的Java库）。另一种是使用基于命令行的解析器（需要找到可以执行xhtml生成的平台的可执行文件，然后将其连接到其中）

从未知内容类型的文档中提取文本

1 个答案: