使用Apache获取MimeType子类型
对于odt、ppt、pptx、xlsx等文档，我需要获取应用程序MediaType，而不是应用程序/zip或应用程序/x-tika-msoffice。
如果您查看mimetypes.xml，就会发现mimeType元素由iana.org mime类型和"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类型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中获得实际的子类型？而不是x-tika-msoffice或application/zip？
此外，我从未得到application/x-tika-ooxml，而是xlsx、docx、pptx文档的application/zip。
回答 4
Stack Overflow用户
发布于 2011-08-22 09:19:33
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。您想要使用ContainerAwareDetector来进行这种检测。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;
}这样你的测试就可以通过了
Stack Overflow用户
发布于 2012-07-01 15:04:10
最初，Tika只支持Mime Magic或文件扩展名(glob)的检测，因为这都是Tika之前的大多数mime检测。
由于Mime Magic和globs在检测容器格式时存在问题，因此决定在Tika中添加一些新的检测器来处理这些问题。容器感知检测器获取整个文件，打开并处理容器，然后根据内容确定确切的文件类型。最初，您需要显式地调用它们，但后来它们被包装在ContainerAwareDetector中，您将在一些答案中看到。
从那时起，Tika添加了一个服务加载器模式，最初用于解析器。这允许类在存在时自动加载，并提供一种通用的方法来识别哪些类是合适的并使用它们。然后，这种支持也扩展到了检测器，在这一点上，旧的ContainerAwareDetector可以被移除，以支持更干净的东西。
如果您使用的是Tika 1.2或更高版本，并且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);如果只用Core Tika jar (tika-core-1.2-....)运行，那么唯一存在的检测器将是mime魔术检测器，并且您将获得仅基于魔术+ glob的旧式检测。但是，如果您同时使用核心和解析器Tika jar(加上它们的依赖项)，或者从Tika App (自动包含核心+解析器+依赖项)运行，那么DefaultDetector将使用所有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。这将为您提供您想要的高精度检测，而无需依次调用大量不同的解析器。DefaultDetector将使用所有可用的检测器。
Stack Overflow用户
发布于 2012-06-26 09:15:41
对于任何其他有类似问题但使用更新的Tika版本的人来说，这应该可以解决这个问题：
- 使用
ZipContainerDetector，因为您可能不再有ContainerAwareDetector。 - 将
TikaInputStream赋予检测器的detect()方法，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。所以你在这一行肯定会有类似的东西。
我希望有人能用上这个。
https://stackoverflow.com/questions/7137634
复制相似问题
腾讯云开发者
