Tika 简明教程

TIKA - Document Type Detection

MIME Standards

多用途因特网邮件扩展 (MIME) 标准是识别文档类型的最佳可用标准。了解这些标准有助于浏览器在内部交互期间。

无论何时浏览器遇到媒体文件，它都会选择与其兼容的可用软件来显示其内容。如果浏览器没有任何合适的应用程序来运行某个特定的媒体文件，它会建议用户获取合适的插件软件。

Type Detection in Tika

Tika 支持 MIME 中提供的所有 Internet 媒体文档类型。无论何时文件通过 Tika，它都会检测出来文件及其文档类型。为检测媒体类型，Tika 在内部使用以下机制。

File Extensions

检查文件扩展名是检测文件格式最简单且最广泛使用的方法。许多应用程序和操作系统都支持这些扩展名。下面显示的是一些已知文件类型的扩展名。

File name

Extention

image

.jpg

audio

.mp3

java archive file

.jar

java class file

.class

Content-type Hints

无论何时从数据库中检索文件或将其附加到另一份文件时，您都可能丢失文件的名称或扩展名。在这些情况下，使用随文件提供的元数据来检测文件扩展名。

Magic Byte

观察文件的原始字节，您可以找到每个文件的某些唯一字符模式。某些文件具有称为 magic bytes 的特殊字节前缀，这些字节前缀是专门为识别文件类型而在文件中制作和包含的。

例如，您能在 java 文件中找到 CA FE BA BE（十六进制格式）和在 pdf 文件中找到 %PDF（ASCII 格式）。Tika 使用此信息来识别文件的媒体类型。

Character Encodings

带纯文本的文件使用不同类型的字符编码进行编码。此处的首要挑战是识别文件中使用的字符编码类型。Tika 使用 Bom markers 和 Byte Frequencies 等字符编码技术来识别纯文本内容使用的编码系统。

XML Root Characters

为检测 XML 文档，Tika 解析 xml 文档并从其中提取根元素、命名空间以及可从中找到文件的真实媒体类型的引用的架构等信息。

Type Detection using Facade Class

detect() 方法用于检测文档类型。此方法将文件作为输入。下面显示的是通过 Tika facade 类检测文档类型的示例程序。

import java.io.File;

import org.apache.tika.Tika;

public class Typedetection {

   public static void main(String[] args) throws Exception {

      //assume example.mp3 is in your current directory
      File file = new File("example.mp3");//

      //Instantiating tika facade class
      Tika tika = new Tika();

      //detecting the file type using detect method
      String filetype = tika.detect(file);
      System.out.println(filetype);
   }
}

将以上代码保存为 TypeDetection.java，然后使用以下命令从命令提示符运行它：

javac TypeDetection.java
java TypeDetection

audio/mpeg