Question

我需要获取iana.org MediaType而不是application / zip或application / x-tika-msoffice，用于odt，ppt，pptx，xlsx等文件。

如果你看一下mimetypes.xml，那么mimeType元素由iana.org mime-type和“sub-class-of”组成

   <mime-type type="application/msword">
    <alias type="application/vnd.ms-word"/>
    ............................
    <glob pattern="*.doc"/>
    <glob pattern="*.dot"/>
    <sub-class-of type="application/x-tika-msoffice"/>
  </mime-type>

如何获取iana.org mime-type名称而不是父类型名称？

在测试mime类型检测时，我这样做：

MediaType mediaType = MediaType.parse(tika.detect(inputStream));
String mimeType = mediaType.getSubtype();

测试结果：

FAILED: getsCorrectContentType("application/vnd.ms-excel", docs/xls/en.xls)
java.lang.AssertionError: expected:<application/vnd.ms-excel> but was:<x-tika-msoffice>

FAILED: getsCorrectContentType("vnd.openxmlformats-officedocument.spreadsheetml.sheet", docs/xlsx/en.xlsx)
java.lang.AssertionError: expected:<vnd.openxmlformats-officedocument.spreadsheetml.sheet> but was:<zip>

FAILED: getsCorrectContentType("application/msword", doc/en.doc)
java.lang.AssertionError: expected:<application/msword> but was:<x-tika-msoffice>

FAILED: getsCorrectContentType("application/vnd.openxmlformats-officedocument.wordprocessingml.document", docs/docx/en.docx)
java.lang.AssertionError: expected:<application/vnd.openxmlformats-officedocument.wordprocessingml.document> but was:<zip>

FAILED: getsCorrectContentType("vnd.ms-powerpoint", docs/ppt/en.ppt)
java.lang.AssertionError: expected:<vnd.ms-powerpoint> but was:<x-tika-msoffice>

有没有办法从mimetypes.xml获取实际的子类型？而不是x-tika-msoffice或application / zip？

此外，我从未获得application / x-tika-ooxml，但xlsx，docx，pptx文档的应用程序/ zip。

Answer 1

最初，Tika只支持Mime Magic或文件扩展名（glob）的检测，因为这是Tika之前的大多数mime检测。

由于Mime Magic和Globs在检测容器格式方面存在问题，因此决定在Tika上添加一些新的探测器来处理这些问题。 Container Aware Detectors获取整个文件，打开并处理容器，然后根据内容计算出确切的文件类型。最初，您需要明确地调用它们，但随后它们会被ContainerAwareDetector包裹起来，您将在一些答案中看到它们。

从那以后，Tika添加了一个服务加载器模式，最初用于Parsers。这允许类在存在时自动加载，通常用于识别哪些类是合适的并使用它们。然后将这种支持扩展到也包括探测器，此时可以移除旧的ContainerAwareDetector以支持更清洁的东西。

如果您使用的是Tika 1.2或更高版本，并且您希望准确检测所有格式（包括容器格式），则需要执行以下操作：

 TikaConfig config = TikaConfig.getDefaultConfig();
 Detector detector = config.getDetector();

 TikaInputStream stream = TikaInputStream.get(fileOrStream);

 Metadata metadata = new Metadata();
 metadata.add(Metadata.RESOURCE_NAME_KEY, filenameWithExtension);
 MediaType mediaType = detector.detect(stream, metadata);

如果你只用Core Tika jar（tika-core-1.2 -....）来运行它，那么唯一的探测器将是mime magics，你会得到基于魔法的旧式探测器+仅限+ glob。但是，如果您使用Core和Parser Tika jar（以及它们的依赖项）或者Tika App（其中包括核心+解析器+依赖项）自动运行它，那么DefaultDetector将使用所有各种不同的容器检测器来处理您的文件。如果您的文件是基于zip的，那么检测将包括处理zip结构以根据其中的内容识别文件类型。这将为您提供高精度检测，而无需依次调用大量不同的解析器。 DefaultDetector将使用所有可用的探测器。

Answer 2

对于其他有类似问题但使用较新的Tika版本的人来说，这应该可以解决问题：

使用ZipContainerDetector，因为您可能不再有ContainerAwareDetector。
向检测器的TikaInputStream方法提供detect()，以确保tika可以分析正确的mime类型。

我的示例代码如下所示：

public static String getMimeType(final Document p_document)
{
    try
    {
        Metadata metadata = new Metadata();
        metadata.add(Metadata.RESOURCE_NAME_KEY, p_document.getDocName());

        Detector detector = getDefaultDectector();

        LogMF.debug(log, "Trying to detect mime type with detector {0}.", detector);
        TikaInputStream inputStream = TikaInputStream.get(p_document.getData(), metadata);

        return detector.detect(inputStream, metadata).toString();
    }
    catch (Throwable t)
    {
        log.error("Error while determining mime-type of " + p_document);
    }

    return null;
}

private static Detector getDefaultDectector()
{
    if (detector == null)
    {
        List<Detector> detectors = new ArrayList<>();

        // zip compressed container types
        detectors.add(new ZipContainerDetector());
        // Microsoft stuff
        detectors.add(new POIFSContainerDetector());
        // mime magic detection as fallback
        detectors.add(MimeTypes.getDefaultMimeTypes());

        detector = new CompositeDetector(detectors);
    }

    return detector;
}

请注意，Document类是我的域模型的一部分。所以你肯定会在那条线上有类似的东西。

我希望有人可以使用它。

Answer 3

tika-core中的默认字节模式检测规则只能检测所有MS Office文档类型使用的通用OLE2或ZIP格式。您希望使用ContainerAwareDetector进行此类检测。并使用MimeTypes检测器作为其回退检测器。试试这个：

public MediaType getContentType(InputStream is, String fileName) {
    MediaType mediaType;
    Metadata md = new Metadata();
    md.set(Metadata.RESOURCE_NAME_KEY, fileName);
    Detector detector = new ContainerAwareDetector(tikaConfig.getMimeRepository());

    try {
        mediaType = detector.detect(is, md);
    } catch (IOException ioe) {
        whatever;
    }
    return mediaType;
}

这样你的测试应该通过

Answer 4

您可以使用自定义tika配置文件：

MimeTypes mimes=MimeTypesFactory.create(Thread.currentThread()
   .getContextClassLoader().getResource("tika-custom-MimeTypes.xml"));
Metadata metadata = new Metadata();
metadata.add(Metadata.RESOURCE_NAME_KEY, file.getName());
tis = TikaInputStream.get(file);
String mimetype = new  DefaultDetector(mimes).detect(tis,metadata).toString();

在WEB-INF / classes中，将“tika-custom-MimeTypes.xml”与您的更改放在一起：

就我而言：

<mime-type type="video/mp4">
    <magic priority="60">
      <match value="ftypmp41" type="string" offset="4"/>
      <match value="ftypmp42" type="string" offset="4"/>
      <!-- add -->
      <match value="ftyp" type="string" offset="4"/>
    </magic>
    <glob pattern="*.mp4"/>
    <glob pattern="*.mp4v"/>
    <glob pattern="*.mpg4"/>
    <!-- sub-class-of type="video/quicktime" /-->
</mime-type>
<mime-type type="video/quicktime">
    <magic priority="50">
      <match value="moov" type="string" offset="4"/>
      <match value="mdat" type="string" offset="4"/>
      <!--remove for videos of screencast -->
      <!--match value="ftyp" type="string" offset="4"/-->
    </magic>
    <glob pattern="*.qt"/>
    <glob pattern="*.mov"/>
</mime-type>

使用Apache tika获取MimeType子类型

4 个答案: