java - Tika 在增量读取期间传递解析器信息

Question

我知道 Tika 有一个非常好的包装器，它让我可以像这样从解析文件中获取一个 Reader:

Reader parsedReader = tika.parse(in);

但是，如果我使用它，我无法指定我想要的解析器和我想要传递的元数据。例如，我想传递额外的信息，比如要使用的处理程序、解析器和上下文，但如果我使用这种方法，我就做不到。据我所知，它是唯一一个让我取回 Reader 实例并增量读取而不是取回整个已解析字符串的方法。

我想包括的事情的例子:

        Parser parser = new AutoDetectParser();
        BodyContentHandler handler = new BodyContentHandler(-1);
        Metadata metadata = new Metadata();
        metadata.set(Metadata.RESOURCE_NAME_KEY, fileName); //This aids in the content detection
        ParseContext context = new ParseContext();
        context.set(Parser.class, parser);
        parser.parse(is, handler, metadata, context);

但是，直接在解析器上调用 parse 不会返回读取器，我唯一的选择(在文档中注意到)是返回一个完全解析的字符串，这可能不利于内存使用。我知道我可以限制返回的字符串，但我想远离它，因为我想要完全解析的信息，但以增量方式。两全其美，这可能吗？

Answer 1

关于 Apache Tika 的许多伟大事物之一是它是开源的，所以你可以看到它是如何工作的。 Tika facade 的类你用的是here

您感兴趣的该类(class)的关键部分是这一点:

public Reader parse(InputStream stream, Metadata metadata)
        throws IOException {
    ParseContext context = new ParseContext();
    context.set(Parser.class, parser);
    return new ParsingReader(parser, stream, metadata, context);
}

您会看到 Tika 如何获取解析器和流，并将其处理到 Reader。做一些类似的事情，你就准备好了。或者，编写您自己的 ContentHandler 并直接调用它以获得完全控制!