java - 使用 Apache tika 获取 MimeType 子类型

Question

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

如果您查看 mimetypes.xml，就会发现 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 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 中获取实际的子类型？而不是 x-tika-msoffice 或 application/zip ？

此外，我从来没有得到 application/x-tika-ooxml，但得到了 xlsx、docx、pptx 文档的 application/zip。

Answer 1

最初，Tika 仅支持通过 Mime Magic 或文件扩展名 (glob) 进行检测，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，因此决定向 Tika 添加一些新的检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，您需要显式调用它们，但随后它们被包裹在 ContainerAwareDetector 中，您将在一些答案中看到它。

从那时起，Tika 添加了服务加载器模式，最初是针对解析器的。这允许类在存在时自动加载，并使用一种通用方法来识别哪些是合适的并使用它们。这种支持随后也扩展到检测器，此时可以删除旧的 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，您需要执行以下操作:

 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);

如果您只使用 Core Tika jar (tika-core-1.2-....) 运行它，那么唯一存在的检测器将是 mime magics 检测器，您将获得基于 magic 的旧式检测+ 只有全局。但是，如果您同时使用 Core 和 Parser Tika jar(加上它们的依赖项)或从 Tika App(自动包含核心 + 解析器 + 依赖项)运行它，则 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，则检测将包括处理 zip 结构以根据其中的内容识别文件类型。这将为您提供您所追求的高精度检测，而无需依次调用许多不同的解析器。 DefaultDetector 将使用所有可用的检测器。